개요

LLM 기반 주식 트레이딩 에이전트가 2025~2026년 사이 폭발적으로 성장하고 있다. 단순 감성 분석을 넘어, 멀티 에이전트 아키텍처로 트레이딩 펌 전체를 시뮬레이션하거나, 강화학습(RL)과 결합해 실시간 리스크 관리까지 수행하는 단계에 이르렀다. 이 글에서는 주요 오픈소스 프레임워크 4종과 학술 논문 3편을 분석하고, 실제 트레이딩 에이전트를 개발하는 관점에서 어떤 인사이트를 얻을 수 있는지 정리한다.

TradingAgents — 트레이딩 펌을 LLM으로 시뮬레이션하다

TradingAgents는 UCLA와 MIT 연구팀이 개발한 멀티 에이전트 트레이딩 프레임워크다. GitHub 스타 40,795개를 기록하며, LLM 트레이딩 분야에서 가장 큰 커뮤니티를 보유하고 있다.

아키텍처: 트레이딩 펌의 조직 구조를 그대로 재현

TradingAgents의 핵심 아이디어는 실제 트레이딩 회사의 역할 분담을 LLM 에이전트로 구현하는 것이다.

graph TD
    A["Market Data"] --> B["Analyst Team"]
    B --> C["Fundamental Analyst"]
    B --> D["Sentiment Analyst"]
    B --> E["Technical Analyst"]
    C --> F["Researcher Team"]
    D --> F
    E --> F
    F --> G["Bull Researcher"]
    F --> H["Bear Researcher"]
    G --> I["Debate <br/> Protocol"]
    H --> I
    I --> J["Trader Agents"]
    J --> K["Risk Management Team"]
    K --> L["Final Decision"]

• Analyst Team: 펀더멘탈, 감성, 기술 분석을 각각 전담하는 에이전트
• Researcher Team: Bull/Bear 관점에서 시장 상황을 평가하고 토론
• Trader Agents: 다양한 위험 선호도를 가진 트레이더 에이전트
• Risk Management Team: 포지션 노출을 감시하고 최종 의사결정

실험 결과

백테스팅에서 기존 기준 모델 대비 누적 수익률, 샤프 비율, 최대 낙폭 모두에서 유의미한 개선을 보였다. 특히 Bull/Bear 토론 프로토콜이 단일 의견 에이전트 대비 더 균형 잡힌 판단을 이끌어낸다는 점이 주목할 만하다.

기술 스택

Python 기반 229K 라인 규모로, v0.2.2까지 진화했다. 최근 커밋에서는 5단계 등급 체계 표준화, 포트폴리오 매니저 리팩토링, 거래소 수식 티커 보존 등의 개선이 이루어졌다.

PrimoAgent — 멀티 에이전트 주식 분석

PrimoAgent는 멀티 에이전트 아키텍처를 주식 분석에 적용한 프레임워크다. TradingAgents가 트레이딩 실행까지 포괄하는 반면, PrimoAgent는 분석 파이프라인에 집중한다.

각 에이전트가 서로 다른 분석 영역(재무제표, 뉴스 감성, 기술적 지표)을 담당하고, 최종 분석 보고서를 통합 생성하는 구조다. 소규모 팀이나 개인 투자자가 기관 수준의 리서치 프로세스를 자동화하려는 용도에 적합하다.

AlpacaTradingAgent — LLM 금융 트레이딩 에이전트

AlpacaTradingAgent는 Alpaca Markets API와 LLM을 결합한 자동 트레이딩 시스템이다. 실제 주식 매매를 수행할 수 있다는 점에서 백테스팅에 머무는 학술 프레임워크와 차별화된다.

Alpaca의 페이퍼 트레이딩 API를 통해 실제 시장 데이터로 위험 없이 전략을 검증한 뒤, 실전 매매로 전환할 수 있는 파이프라인을 제공한다.

stock-analysis-agent — 한국 주식 리서치 자동화

stock-analysis-agent는 Claude Code를 활용해 한국 및 미국 주식에 대한 기관급 리서치를 자동화하는 오픈소스 프로젝트다. 한국 시장 특유의 데이터 소스(DART 전자공시, 네이버 금융 등)를 지원한다는 점이 핵심이다.

기존 분석 글에서 다룬 바와 같이, 이 프로젝트는 한국 주식 시장의 데이터 접근성 문제를 LLM + MCP 아키텍처로 해결하려는 시도다.

StockBench — LLM 에이전트는 실제로 수익을 낼 수 있는가?

칭화대학교 연구팀이 발표한 StockBench는 “LLM 에이전트가 실제 시장에서 수익성 있게 거래할 수 있는가?“라는 질문에 정면으로 답하는 벤치마크다.

벤치마크 설계

StockBench는 실제 시장 데이터를 사용한 백트레이딩 환경을 구축하고, 표준화된 에이전트 워크플로우를 정의한다.

graph LR
    A["시장 데이터 수집"] --> B["LLM 분석"]
    B --> C["매매 결정"]
    C --> D["주문 실행"]
    D --> E["포트폴리오 평가"]
    E --> F["성과 측정"]
    F -->|"다음 거래일"| A

주요 발견

• 투자 대상 규모의 영향: 종목 수가 많아질수록 LLM 에이전트의 성과가 저하되는 경향
• 워크플로우 오류 분석: 매매 결정 과정에서 발생하는 오류 유형 분류
• 데이터 소스 기여도: 어떤 데이터 소스가 수익률에 가장 큰 영향을 미치는지 ablation study

이 벤치마크는 LLM 트레이딩 에이전트의 실전 적용 가능성을 냉정하게 평가한다는 점에서 중요하다. “LLM이 주식으로 돈을 벌 수 있다"는 주장에 대한 과학적 검증 도구로 기능한다.

LLM + 강화학습: 최신 논문 3편 분석

AI for Life 블로그에서 정리한 2025년 주요 LLM+RL 트레이딩 논문 3편을 분석한다.

1. FinRL-DeepSeek: LLM 기반 리스크 인식 RL

하이브리드 트레이딩 에이전트로, 딥 RL에 LLM의 뉴스 분석 신호를 결합한다. CVaR-Proximal Policy Optimization(CPPO) 알고리즘을 확장해 매일 LLM이 생성한 투자 추천과 리스크 평가 점수를 RL 에이전트에 주입한다.

핵심은 단순 감성 분석을 넘어, DeepSeek V3, Qwen-2.5, Llama 3.3 등 LLM을 프롬프팅해 뉴스에서 미묘한 리스크/수익 인사이트를 추출하는 것이다. Nasdaq-100 지수에 대한 1999~2023년 백테스트에서 리스크 관리 성능이 크게 향상되었다.

2. FLAG-Trader: LLM과 Gradient RL의 융합

LLM의 언어 이해 능력과 RL의 연속 의사결정 능력을 gradient 수준에서 통합하는 접근법이다. LLM이 시장 텍스트 데이터를 처리하고, RL 에이전트가 이를 기반으로 매매를 학습한다.

3. Stock-Evol-Instruct: LLM 가이드 RL 트레이딩

LLM이 생성한 진화적 명령어(evolutionary instructions)로 RL 에이전트의 학습을 가이드하는 방식이다. 전통적 RL의 보상 설계 어려움을 LLM의 자연어 피드백으로 우회한다.

graph TD
    A["3대 LLM+RL 접근법"] --> B["FinRL-DeepSeek"]
    A --> C["FLAG-Trader"]
    A --> D["Stock-Evol-Instruct"]
    B --> E["LLM 신호 → RL 입력 <br/> 리스크 인식 CPPO"]
    C --> F["Gradient 수준 통합 <br/> 언어+의사결정 융합"]
    D --> G["LLM 명령어 → RL 가이드 <br/> 진화적 학습"]

자체 프로젝트와의 연결

현재 개발 중인 trading-agent 프로젝트와 비교하면:

TradingAgents의 Bull/Bear 토론 프로토콜과 StockBench의 벤치마킹 방법론은 자체 프로젝트에도 적용할 가치가 있다. 특히 리스크 관리 팀 에이전트 패턴과 DCF/PER 기반 밸류에이션 비교는 현재 구현 중인 기능과 직접 연결된다.

인사이트

LLM 트레이딩 에이전트 생태계의 현재 상황은 “멀티 에이전트 = 트레이딩 펌 시뮬레이션"이라는 공식이 표준으로 자리잡고 있음을 보여준다. 단일 LLM이 모든 분석과 결정을 내리는 시대는 끝났고, 역할별 전문화된 에이전트가 토론하고 합의하는 구조가 일관되게 더 나은 성과를 보인다.

학술 연구 쪽에서는 LLM+RL 하이브리드가 주류가 되고 있다. LLM의 텍스트 이해와 RL의 시퀀셜 결정을 결합하면, 순수 LLM이나 순수 RL보다 리스크 조정 수익률이 높아진다는 실증이 쌓이고 있다.

StockBench 같은 벤치마크의 등장은 이 분야가 “데모 수준"에서 “과학적 검증 가능한 수준"으로 성숙하고 있다는 신호다. 자체 트레이딩 에이전트 개발에서도 TradingAgents의 조직 구조 패턴, StockBench의 평가 프레임워크, FinRL-DeepSeek의 리스크 관리 방법론을 참고하여 한국 시장에 맞게 적용할 수 있을 것이다.