TradingAgents는 트레이딩 데스크를 통째로 LLM 에이전트로 옮겼다

금융 시장에서 AI의 역할이 단순 알고리즘 트레이딩을 넘어 다중 에이전트 협업 기반의 의사결정 체계로 진화하고 있다. TauricResearch가 공개한 TradingAgents는 LLM 기반의 전문 에이전트들이 실제 트레이딩 기업의 조직 구조를 모사해 협력적으로 금융 거래를 수행하는 오픈소스 프레임워크로, 기존 단일 모델 방식 대비 누적 수익률과 샤프 비율에서 성과 개선을 보고하고 있다.

트레이딩 기업의 조직도를 그대로 옮기다

TradingAgents는 2024년 12월 arXiv에 논문이 공개된 이후 GitHub에서 빠르게 주목받은 LLM 다중 에이전트 금융 거래 프레임워크다. 실제 트레이딩 기업의 조직 구조에서 영감을 받아 설계됐으며, 각 에이전트가 펀더멘털 애널리스트·센티멘트 애널리스트·뉴스 애널리스트·테크니컬 애널리스트·리서처·트레이더·리스크 매니저 같은 전문 역할을 수행한다. 개발은 TauricResearch가 맡았고 오픈소스로 GitHub에 공개돼 있으며, 기술 기반은 LangGraph 프레임워크다. OpenAI GPT, Google Gemini, Anthropic Claude, xAI Grok, OpenRouter, Ollama 등 다양한 LLM을 지원하고, 최신 버전은 v0.2.3(2026년 3월, 다국어 지원 및 백테스팅 정확도 개선)이다.

시장 데이터가 펀드 매니저에 이르는 경로

TradingAgents의 핵심은 계층으로 구성된 다중 에이전트 파이프라인이다. 각 계층은 독립적으로 작동하면서도 구조화된 프로토콜을 통해 유기적으로 연결된다.

⤢✕

계층	구성 에이전트	주요 역할
분석팀	펀더멘털, 센티멘트, 뉴스, 테크니컬 애널리스트	시장 데이터 병렬 수집 및 분석
리서치팀	리서처	수집 데이터의 교차 검증 및 종합 평가
트레이딩	트레이더	분석 결과 기반 매매 의사결정
리스크 관리	리스크 매니저	시장 상황 대비 위험 평가 및 제한
실행	펀드 매니저	최종 승인 및 거래 실행

규칙 기반과 추론 기반의 차이

전통적인 알고리즘 트레이딩이 사전 정의된 규칙에 의존하는 반면, TradingAgents는 LLM의 추론 능력을 활용해 비정형 데이터까지 종합적으로 분석한다.

비교 항목	전통 알고리즘 트레이딩	TradingAgents
데이터 유형	정형 데이터 (가격, 거래량)	정형 + 비정형 (뉴스, 센티멘트)
의사결정	규칙 기반	LLM 추론 기반
적응성	시장 변화 시 규칙 재설정 필요	자연어 기반 실시간 적응
리스크 관리	정적 임계값	동적 맥락 기반 리스크 평가
확장성	전략별 개별 개발	에이전트 추가로 역할 확장
설명 가능성	제한적	자연어 기반 의사결정 근거 제공

정보 손실을 막는 하이브리드 프로토콜

TradingAgents는 에이전트 간 정보 손실을 최소화하기 위해 구조화된 출력(Structured Output)과 자연어 대화(Natural Language Dialogue)를 결합한 하이브리드 커뮤니케이션 프로토콜을 채택했다. 이 방식은 긴 상호작용에서도 맥락을 유지하면서 정보 전달의 정확성을 보장한다. 각 에이전트가 주고받는 메시지에 데이터 스키마가 정의돼 파싱 오류를 방지하는 타입 안전 메시지, 분석 이력이 누적되면서도 핵심 정보가 유실되지 않도록 요약 메커니즘을 적용하는 컨텍스트 윈도우 관리, 각 에이전트의 전문성에 맞춘 시스템 프롬프트로 분석 품질을 높이는 역할 기반 프롬프트가 핵심 특징이다.

논문이 보고한 것, 보고하지 않은 것

TradingAgents의 논문 및 실험 결과에 따르면, 기존 단일 LLM 에이전트 및 전통적 알고리즘 트레이딩 전략 대비 몇 가지 성과 개선이 보고됐다. 누적 수익률(Cumulative Return)은 기존 베이스라인 모델 대비 유의미한 향상을, 샤프 비율(Sharpe Ratio)은 위험 조정 수익률에서 우위를, 최대 낙폭(Maximum Drawdown)은 리스크 관리 에이전트의 개입으로 하방 리스크 억제를 보였다는 것이다. 다만 이 세 지표 모두 구체적인 수치는 공개되지 않았다는 점은 짚어둘 필요가 있다. 다중 에이전트 구조가 시장의 급격한 변동성 구간에서 단일 모델보다 안정적인 의사결정을 내린다는 점이 논문에서 특히 주목한 부분이다.

실전에 넣기 전에 확인할 것들

TradingAgents를 실무 환경에 적용할 때는 몇 가지를 짚어야 한다. 다중 에이전트가 동시에 LLM을 호출하므로 API 비용이 선형적으로 증가하는데, Ollama를 활용한 로컬 모델 배포로 비용을 절감할 수 있다. 에이전트 간 순차적 의사결정 과정에서 지연이 발생할 수 있어 초단타 매매에는 부적합하다. v0.2.3부터 백테스팅 날짜 정확도가 개선됐으나, 실전 투자 전 충분한 검증이 필요하다. AI 기반 자동매매에 대한 각국의 규제도 반드시 확인해야 한다.

TradingAgents는 LLM의 추론 능력과 다중 에이전트 협업 구조를 결합해 금융 거래의 새로운 패러다임을 제시하는 프레임워크다. 실제 트레이딩 기업의 조직 구조를 모사한 설계가 단일 모델 방식 대비 성과 개선을 이끌어냈다고 보고됐으며, 오픈소스로 공개돼 연구와 실험이 자유롭다. 다만 실전 적용을 위해서는 API 비용, 지연 시간, 규제 환경에 대한 면밀한 검토가 선행돼야 한다.