이 AI는 논리를 통해 이익을 창출합니다.

월스트리트에는 이제 새로운 형태의 “팀 회의”가 있습니다: 힐튼 주식이 매수인지, 매도인지, 아니면 완전히 패스해야 하는지를 두고 논쟁하는 AI 에이전트로 가득 찬 방입니다. 하나의 거대한 모델이 가격 목표를 제시하는 것이 아니라, 봇들이 논쟁하고 반박하며 결국 거래를 결정하는 시뮬레이션된 헤지펀드입니다. 이 모든 것은 당신의 랩탑에서 실행되며, TradingAgents라는 오픈 소스 프로젝트에 의해 구동됩니다.

단일 대형 모델은 이러한 작업에 어려움을 겪습니다. 홀로 있는 LLM에게 "2025년 3월 1일 HLT 분석하라"고 요청하면, 기본 사항, 차트, 뉴스, 사회적 정서, 위험 요소를 한 번에 처리해야 합니다. 결과적으로 일반적인 답변, 통찰력 부족, 내부의 이견이나 불확실성을 반영하지 않는 경향이 있습니다.

TradingAgents는 반대의 접근 방식을 취합니다: 전문화와 갈등. 수익을 조사하는 기초 분석가, 소셜 미디어를 분석하는 감성 전문가, 헤드라인을 다루는 뉴스 분석가, RSI와 MACD와 같은 지표를 분석하는 기술 분석가를 각각 고용합니다. 그 위에, 강세 및 약세 연구자들은 상승 가능성과 위험에 대해 논쟁하며, 그 후 거래자와 위험 관리자가 모든 것을 종합하여 최종 결정을 내립니다.

이 모든 것은 Python으로 구축된 다중 에이전트 워크플로우 프레임워크인 LangGraph 위에 자리잡고 있습니다. 모델을 선택하세요—GPT-4, Claude, Gemini 또는 더 저렴한 변형—Yahoo Finance 또는 Alpha Vantage에서 데이터를 연결하고 에이전트를 실행하세요. GPU도 필요 없고, 독점 블랙박스도 없으며, 단지 GitHub 레포지토리와 몇 개의 API 키만 있으면 됩니다.

보이는 것은 놀랍게도 작은 퀀트 데스크처럼 보인다. 애널리스트들은 병렬로 작업하며, 여러 차례 토론하고, AAPL, GOOGL, AMZN과 같은 종목에 대해 2024년 1월부터 3월까지의 역사적 기간에 걸쳐 백테스트를 수행한다. 연구자들은 간단한 MACD/RSI 전략이나 단일 에이전트 LLM 기준보다 높은 누적 수익률과 샤프 비율을 보고하며, 최대 하락폭은 낮다.

이것은 아직 로보트의 로빈후드가 아니다—TradingAgents는 실시간 거래보다는 시뮬레이션과 백테스트에 중점을 두고 있다. 그러나 이는 AI 작업 흐름이 단순히 “봇에게 질문하기”가 아닌 “위원회를 구성하고, 이견을 일으키게 하며, 상황이 정리된 후에만 거래하는” 미래를 미리 보여준다.

단일 전지전능한 봇을 잊으세요. TradingAgents는 코드로 미니 월스트리트 거래소를 구현하여, 동일한 티커와 날짜에 대해 병행 작업을 수행하는 네 가지 핵심 분석가 역할을 시작합니다. 펀더멘털 분석가는 Yahoo Finance 및 Alpha Vantage와 같은 출처에서 가져온 손익계산서, 현금 흐름, 마진 및 평가 비율을 분석합니다. 감정 분석가는 소셜 미디어와 포럼을 스크래핑하여 소매 투자자의 심리를 측정하며, 두려움, FOMO, 또는 조직적인 과대 홍보의 급증을 포착합니다.

함께, 뉴스 분석가는 헤드라인, 실적 발표, 그리고 매크로 업데이트를 분석하여 소송, 제품 출시, 또는 가이던스 감소와 같은 촉매를 플래그합니다. 기술 분석가는 가격 이력을 주시하며, RSI, MACD, 이동 평균과 같은 익숙한 지표를 사용하여 추세, 지지선, 그리고 모멘텀을 표시합니다. 각 에이전트는 최종 판결이 아닌 구조화된 보고서를 작성합니다.

그렇다면 진짜 드라마가 시작됩니다. 두 명의 전문 강세/약세 연구원이 등장하여 온전히 논쟁하는 임무를 수행합니다. 강세 에이전트는 저평가된 배수, 개선되는 정서, 긍정적인 뉴스 흐름 등 상승 시나리오를 선별합니다. 반면 약세 에이전트는 이러한 포인트를 공격하며, 약한 가정, 구식 데이터 또는 집중 위험이나 악화되는 현금 소모와 같은 숨겨진 하락 요인을 찾아냅니다.

그들의 상호 응답은 설정 가능한 라운드—하나, 셋 또는 그 이상—에서 진행되며, 이는 토론의 깊이와 소모할 토큰의 양에 따라 달라집니다. 각 라운드는 양측이 서로의 주장에 직접 응답하도록 강요하며, 새로운 기본 LLM 호출을 사용하여 자신의 주장을 수정합니다. 목표는 합의가 아니라, 거래 주장이 잘못될 수 있는 모든 가능성을 드러내는 것입니다.

이 모든 것을 관통하며, 헌신적인 트레이더 에이전트는 포트폴리오 매니저처럼 작용합니다. 그는 분석가 요약 및 강세-약세 대화를 수집한 후, 이를 구체적인 행동으로 정제합니다: 매수, 매도 또는 보유, 그리고 포지션 크기와 시간 범위. 트레이더는 감이 아니라 기본적인 요소, 감정, 뉴스 및 기술적 분석에 대한 증거를 사용하여 호출을 명확히 정당화해야 합니다.

위험 관리자는 사슬의 끝에 위치하여 최종 회로 차단기 역할을 합니다. 이는 확신을 낮추거나 포지션 크기를 축소하거나 미리 정의된 제약 조건—과도한 섹터 노출, 과도한 변동성, 또는 약한 위험/보상—을 위반하는 거래를 거부할 수 있습니다. 이러한 전문 분석가, 적대적인 연구원, 의사결정자, 그리고 독립적인 위험 점검의 계층 구조는 성공적인 헤지펀드와 프로프 거래소가 인적 팀을 구성하는 방식을 의도적으로 반영합니다.

주장들은 단순한 장식이 아니라, 숫자 속에 직접 나타납니다. 2024년 1월 1일부터 3월 29일까지 AAPL, GOOGL 및 AMZN에 대한 백테스트에서, TradingAgents의 다중 에이전트 설정은 단순한 기준인 매수 및 보유, MACD, RSI, 그리고 단일 에이전트 LLM 트레이더보다 더 높은 누적 수익률을 생성했습니다. 연구자들은 이 세 개의 주식에서 논쟁하는 에이전트들이 성과 순위에서 항상 최상위에 위치했다고 보고하고 있습니다.

누적 수익률은 가장 쉽게 이해할 수 있는 지표입니다: 만약 $1로 시작하여 기간이 끝났을 때 $1.25가 된다면, 그것은 25%의 누적 수익률입니다. TradingAgents는 단순히 Buy & Hold를 약간 웃돌지 않고, 더 부드러운 거래를 통해 이를 이겼습니다. 그 부드러움은 위험 지표에서 나타납니다.

샤프 비율은 감수하는 변동성 단위당 얼마나 많은 초과 수익을 얻는지를 측정합니다. 샤프 비율이 높다는 것은 단순히 더 많은 돈을 벌고 있는 것이 아니라, 각 장애물에 대해 더 많은 보상을 받고 있다는 것을 의미합니다. arXiv 연구에서 다중 에이전트 시스템은 AAPL, GOOGL 및 AMZN을 통틀어 가장 높은 샤프 비율을 기록하여, 이러한 토론이 단순히 상승을 추구한 것이 아니라 리스크를 반영했음을 나타냅니다.

최대 손실 폭은 테스트 기간 동안 최악의 정점에서 최저점으로의 손실이 얼마나 심각한지를 알려줍니다. 만약 귀하의 계정이 $10,000에서 $7,000으로 떨어졌다가 회복된다면, 그 30%의 손실이 최대 손실 폭이 됩니다. TradingAgents의 다중 에이전트 운영은 매수 및 보유 전략과 지표만 사용한 전략에 비해 손실 폭을 실질적으로 낮게 유지했으며, 이는 논쟁하는 에이전트들이 상황이 나빠질 때 위험을 되돌렸음을 의미합니다.

토론은 메커니즘입니다. 기본 요소, 시장 정서, 뉴스, 기술적 요소들이 각각 자신의 관점을 제시하며, 강세 및 약세 연구자들이 이러한 주장에 대해 질문을 던집니다. 그런 다음 위험 관리자는 변동성, 포지션 크기 또는 상관관계가 위험해 보일 때 거래를 거부하거나 규모를 축소할 수 있는 명확한 권한을 부여받습니다.

나타나는 것은 전적으로 가스만 사용하고 브레이크가 없는 양적 장난감이 아니라, 수익과 생존성 간의 더 나은 균형을 목표로 하는 시스템입니다. 모든 거래 아이디어가 여러 번의 적대적인 검증을 통과해야 하기 때문에, 더 높은 누적 수익은 더 나은 샤프 비율과 통제된 최대 손실과 결합됩니다. 이러한 작동 방식을 내부에서 점검하고 싶은 개발자를 위해, 전체 설정 및 백테스팅 워크플로우는 TradingAgents GitHub Repository에 있습니다.

TradingAgents는 LLM 에이전트의 집단을 다루기 위해 구축된 워크플로 엔진인 LangGraph에서 작동합니다. 단일 선형 프롬프트 대신 LangGraph는 분석가, 토론자 및 리스크 관리자를 방향 그래프로 연결합니다: 노드는 에이전트이며, 엣지는 누가 언제 누구와 대화하는지를 정의합니다. 이러한 그래프 구조는 다회 반복 토론, 재시도 및 오류 처리를 사용자 정의 코드가 아닌 설정처럼 느끼게 만듭니다.

각 실행은 여러 소스에 걸쳐 퍼지는 데이터 수집 노드로 시작됩니다. 기본적으로 TradingAgents는 Yahoo Finance에서 시세와 과거 가격을 가져오고, Alpha Vantage에서 펀더멘털 및 일내 데이터를 받아오며, Finnhub와 같은 API나 사용자 지정 피드도 활용할 수 있습니다. 이후 에이전트들이 전문화됩니다: 펀더멘털 에이전트는 수익을 분석하고, 감성 에이전트는 소셜 미디어와 포럼을 분석하며, 뉴스 에이전트는 헤드라인을 스캔하고, 기술적 에이전트는 RSI 및 MACD와 같은 지표를 계산합니다.

LangGraph는 모델에 구애받지 않기 때문에 파이프라인을 다시 작성하지 않고도 다양한 LLM 백엔드를 교체할 수 있습니다. 기본 구성은 비용 효율적인 분석을 위해 GPT-4o-mini를 활용하지만, 동일한 그래프는 구성 변경과 새로운 API 키를 통해 Claude 또는 Gemini에서도 실행할 수 있습니다. 이러한 유연성 덕분에 팀은 각 에이전트 기준으로 지연 시간과 가격 또는 깊이와 품질을 조정할 수 있습니다.

전형적인 설정은 다음과 같을 수 있습니다: - 감정 분석 및 뉴스 처리를 위한 GPT-4o-mini (고용량, 저비용) - 최종 거래 종합을 위한 더 큰 Claude 또는 GPT-4급 모델 - 표준화 검토 또는 형식을 위한 저렴한 오픈 웨이트 모델

모든 무거운 작업이 클라우드 API를 통해 이루어지기 때문에 TradingAgents는 GPU나 특수 가속기를 요구하지 않습니다. 기본적인 Python 3 환경이 있는 노트북이나 클라우드 VM이면 충분하며, OpenAI, Anthropic, Google 및 데이터 제공업체의 엔드포인트에 속도 제한 내에서 연결할 수 있기만 하면 됩니다. 이는 이 프레임워크가 양적 연구 클러스터를 구축하는 것보다 SaaS 구성요소를 연결하는 느낌을 줍니다.

자신만의 미니 AI 거래 회사를 시작하는 데 이제 커피를 끓이는 것만큼의 시간이 걸립니다. TradingAgents는 간단한 Python 프로젝트로 제공되므로, 우선 레포를 클론합니다: `git clone https://github.com/TauricResearch/TradingAgents.git` 그리고 해당 폴더로 이동합니다. GPU, Docker 또는 특이한 인프라가 필요하지 않습니다—최근의 Python 3 설치만 있으면 됩니다 (데모는 3.13을 사용하지만 실제로는 3.10+도 작동합니다).

다음은 샌드박스입니다. 원하는 도구를 사용하여 격리된 환경을 생성하세요: - `python -m venv .venv` (또는 `conda create -n tradingagents python=3.13`) - 활성화하기: macOS/Linux에서는 `source .venv/bin/activate`, Windows에서는 `.\.venv\Scripts\activate`를 입력하세요. 그런 다음 `pip install -r requirements.txt`를 실행하여 LangGraph, 데이터 커넥터 및 LLM 클라이언트를 설치하세요.

API는 유일한 실제 설정 장애물이며, 이조차도 간단합니다. OpenAI 키(또는 Anthropic, Google 등)와 시장 데이터를 위한 Alpha Vantage 키를 가져오세요. 이들을 `.env` 파일이나 환경 변수에 넣으세요—TradingAgents는 `OPENAI_API_KEY` 및 `ALPHAVANTAGE_API_KEY`와 같은 이름을 찾습니다.

키가 설정되면 비디오의 흐름을 거의 한 줄씩 복사할 수 있습니다. 주요 CLI 스크립트를 실행하고, 티커를 입력하세요(예: Hilton의 경우 HLT), 역사적 날짜를 선택하고, 분석가 세트(기본, 감정, 뉴스, 기술 또는 모두)를 선택한 후, LLM과 논의 깊이를 선택하세요. 보통의 노트북에서 RSI와 MACD에 대해 논쟁하는 에이전트가 준비되기까지는 보통 2분도 채 걸리지 않습니다.

`git clone`과 `pip install`에 익숙한 누구나 따라할 수 있습니다. tradingagents-ai.github.io의 공식 사이트는 구성 세부사항을 설명하고, github.com/TauricResearch/TradingAgents에서 GitHub 레포지토리는 내부에서 회사를 재구성하고 싶다면 전체 LangGraph 워크플로우를 제공합니다.

터미널을 실행하면 TradingAgents는 즉시 연구 논문처럼 느껴지지 않고, 쿼ант들로 가득 찬 책상처럼 행동하기 시작합니다. 단일 Python 스크립트를 실행하고, 티커, 날짜 및 몇 가지 옵션을 전달하면, 시뮬레이션된 거래장이 셸에서 펼쳐지는 모습을 지켜볼 수 있습니다.

CLI 흐름은 Better Stack 데모와 거의 정확히 일치합니다. 레포를 클론한 후 API 키를 추가하면 `python main.py`와 같은 명령을 호출하고, 도구가 주식 기호—예를 들어 HLT(힐튼)—와 역사적 날짜 예를 들어 `2025-01-15`를 입력하라는 메시지를 표시합니다. 이렇게 하면 모든 에이전트가 시장의 고정된 스냅샷을 볼 수 있습니다.

다음으로, CLI는 어떤 분석가를 방에 초대할 것인지 묻습니다. 다음과 같은 모듈을 토글할 수 있습니다: - 시장 분석가 - 소셜 미디어 / 감정 분석가 - 뉴스 분석가 - 기본 분석가 - 기술 분석가

그런 다음 연구의 "깊이"를 선택합니다. 즉, 추론 및 토론 라운드 수를 결정하고 LLM 스택을 선택합니다. 데모는 OpenAI를 사용하지만 Anthropic, Google 및 기타 모델은 설정을 통해 연결할 수 있으며, 서로 다른 역할이 서로 다른 모델을 사용할 수도 있습니다.

Enter 키를 누르자마자 화면은 간단한 스크립트처럼 보이지 않고 실시간 운영 로그처럼 변합니다. 펀더멘탈은 수익과 현금 흐름을 분석하고, 감정 분석은 소셜 피드와 포럼을 스크랩하며, 뉴스는 헤드라인과 규제 파일을 찾고, 기술 분석은 역사적 HLT 차트에서 RSI, MACD 및 추세선을 계산합니다.

데이터 수집 단계가 끝나면, 불(Bull)과 베어(Bear) 에이전트가 개입하여 실제 논쟁이 시작된다. CLI는 진행 중인 전사(transcript)를 출력한다: 불은 매력적인 상승 요인으로 RevPAR 성장, 자산 경량 마진, 팬데믹 이후의 여행 수요를 제시하는 반면, 베어는 거시적 위험, 가치 평가 배수, 금리 인상에 대한 민감도로 반박한다.

당신은 각 측이 상대방의 가정에 공격을 가하는 명확한 응답 라운드를 보게 됩니다. 그런 다음 트레이더나 매니저 에이전트가 논쟁을 종합하고 양쪽에서 가장 강력한 주장을 인용하며 최종 매수/매도/유지 권장 사항을 목표 기간과 위험 메모와 함께 제시합니다.

그 전사록이 스크롤되는 순간이 마법 같은 순간입니다. 단순히 "HLT를 구매하세요"라는 한 줄 대신, 주니어와 시니어 애널리스트가 함께 주식 피치를 논의하는 이야기처럼 읽을 수 있는 내러티브가 제공되며, 이는 TradingAgents: Multi-Agents LLM 금융 거래 프레임워크 (arXiv 논문)에서 설명된 다중 에이전트 역학을 밀접하게 반영합니다.

AI 에이전트 간의 논쟁은 단순히 컴퓨팅 사이클을 소모하는 것에 그치지 않습니다. 그것은 실제 금전을 소모합니다. 각 추가적인 분석가, 각 추가적인 논쟁 라운드는 더 많은 프롬프트, 더 많은 컨텍스트 윈도우, 그리고 더 많은 모델 응답을 의미합니다. TradingAgents와 같은 프레임워크에서는 단일 "딥" 주식 실행이 펀더멘털, 감정, 뉴스, 기술적 분석, 강세/약세 리서치, 최종 트레이더 합성 등을 포함하여 수만 개의 토큰을 소모할 수 있습니다.

이 토큰은 API 요금에 직접적으로 매핑됩니다. 여러 라운드로 GPT‑4o 또는 Claude Opus를 사용하면 "연구 깊이"와 토론 루프를 높이지 않고도 날짜당 티커별로 몇 달러에 이를 수 있습니다. 백테스트를 위해 여러 달의 역사적 날짜에 걸쳐 작은 포트폴리오를 운영하면 매 호출마다 비용이 선형적으로 증가합니다.

비결정론은 두 번째 종류의 비용인 불확실성을 추가합니다. 동일한 날짜에 동일한 구성으로 힐튼(HLT)을 두 번 실행하면 서로 다른 거래 추천과 심지어 다른 내러티브를 얻을 수 있습니다. 이는 확률적 LLM 샘플링의 고유한 특성이며, 온도를 낮추거나 시드를 고정할 수는 있지만, 여전히 출력 결과를 전통적인 정량적 접근에서 정해진 백테스트 가능한 전략처럼 취급할 수는 없습니다.

개발자에게 이것은 재현 가능성이 하나의 프로젝트가 된다는 것을 의미합니다. LangGraph에서 각 프롬프트, 응답, 중간 상태를 기록하고 모델 버전과 설정을 고정하여 실행을 의미 있게 비교해야 할 수도 있습니다. 그럼에도 불구하고, 비트별로 동일한 거래를 예상하는 것이 아닌 여러 시뮬레이션을 통해 통계적으로 행동을 검증해야 합니다.

하드 리밋은 코드 외부에도 존재합니다. 각 제공자는 API 속도 제한을 적용하므로, 다중 에이전트 및 다중 라운드 워크플로우는 특히 여러 티커나 날짜에 걸쳐 분산 작업을 수행할 때 분당 또는 하루에 설정된 한계에 신속히 도달할 수 있습니다. 병렬 처리가 가능하지만, OpenAI, Anthropic, 또는 Google이 속도를 조절하기 시작할 때까지입니다.

데이터 품질은 또 다른 취약한 요소입니다. TradingAgents는 Yahoo Finance, Alpha Vantage, Finnhub 및 뉴스/소셜 피드를 활용하지만, 오래된 가격, 누락된 보고서 또는 시끄러운 감정은 에이전트가 잘못된 결론에 자신 있게 이끌 수 있습니다. 현재 시스템은 개별 주식에 가장 적합하게 조정되어 있으며, 암호화폐에 대한 실험적 사용만 가능하고 ETF, 옵션 또는 복잡한 포트폴리오에 대한 엄격한 지원은 없습니다. 현재로서는 플러그 앤 플레이 거래 엔진이라기보다는 비싼 비결정론적 연구실처럼 작동하고 있습니다.

명령줄 모드는 훌륭한 데모를 제공하지만, TradingAgents는 Python 코드를 수정하기 시작하면 진정으로 그 진가를 발휘합니다. 이 레포지토리는 LangGraph 워크플로우, 기본 에이전트, 구성 로드를 연결하는 main.py 템플릿을 포함하고 있습니다. CLI 플래그를 하드코딩된 매개변수나 자신의 함수 호출로 교체하면, 모든 Python 앱이나 노트북에서 스크립트화할 수 있는 프로그래머블한 “AI 데스크”를 효과적으로 얻을 수 있습니다.

구성은 구조화된 구성 파일과 헬퍼 클래스를 통해 이루어지므로 동작을 변경하기 위해 그래프 배선에 손을 대지 않아도 됩니다. 기본적으로 TradingAgents는 GPT‑4o‑mini와 같은 모델을 대상으로 하지만, 구성에서 LLM 공급자, 모델 이름 및 API 키를 변경하여 Anthropic 또는 Google 모델을 지정할 수 있습니다. 더 깊은 사고를 원하신다면, 상황 창을 늘리거나 더 큰 모델 계층으로 전환하여 인수가 더욱 미세해지고 비용이 더 증가하는 것을 지켜보십시오.

토론 깊이는 또 다른 조정 요소입니다. 이 프레임워크는 강세 및 약세 에이전트 간의 토론 라운드 수와 때때로 위험과 안전 거래 프로필 간의 매개변수를 노출합니다. 빠른 스캔을 원할 경우 1로 설정하거나, 느린 오프라인 백테스트를 진행하면서 추가 토큰을 사용할 수 있다면 3-5 라운드로 설정하세요.

비용은 이러한 선택에 따라 선형적으로 증가합니다. 더 많은 라운드 × 더 큰 모델 × 더 많은 에이전트는 더 많은 API 호출을 의미합니다. 하나의 티커에 대해 단일 날짜에 경우, 토론 라운드를 1에서 4로 늘리면 토큰 사용량이 여러 배로 증가할 수 있으므로, 진지한 사용자들은 실행 시 예산 보호 장치나 최대 토큰 한도를 설정할 가능성이 높습니다.

모듈성은 고급 사용자들이 자유롭게 활용하는 곳입니다. 각 분석가—기본 정보, 감정, 뉴스, 기술—는 LangGraph 그래프의 노드에 불과하므로 시스템을 재작성하지 않고도 새로운 역할을 추가할 수 있습니다. 예를 들어: - 내부자 거래 감시자가 Form 4 제출을 추적하는 경우 - 매크로경제 에이전트가 FRED 또는 ECB 데이터를 수집하는 경우 - 암호화폐 시장 전문가가 on-chain 메트릭스를 분석하는 경우

새로운 데이터 소스를 도구로 연결하세요: Yahoo Finance, Alpha Vantage, Finnhub, 또는 내부 PostgreSQL. 새로운 에이전트를 논의 루프에 연결하고 최종 종합에서 투표권을 부여하면, 동일한 개방형 프레임워크 위에 자신만의 맞춤형 AI 트레이딩 팀을 효과적으로 구축한 것입니다.

AI 에이전트들이 힐튼 주식에 대해 논쟁하는 것은 틈새시장처럼 느껴질 수 있지만, TradingAgents의 패턴은 금융보다 훨씬 더 큰 의미를 가지고 있습니다. 당신은 다중 에이전트 시스템이 마케팅 대시보드부터 IDE에 이르기까지 모든 분야에 스며드는 방법의 템플릿을 보고 있는 것입니다. 실제 팀이 상충되는 증거를 모으는 곳이라면, 논쟁하고 조율하며 그들의 추론을 문서화할 수 있는 전문 봇을 배치할 수 있습니다.

마케팅 팀은 이 아키텍처를 "가상 성장 팀"으로 전환할 수 있습니다. 한 요원은 CRM 데이터를 분석하고, 다른 요원은 TikTok과 Reddit에서 감정을 수집하며, 세 번째 요원은 경쟁 광고 크리에이티브를 역설계하고, 네 번째 요원은 CAC와 회수 기간에 대해 회의적인 입장을 취합니다. 그들은 예산 배분에 대해 논쟁한 후, 명확한 장단점과 위험 시나리오가 포함된 미디어 계획을 제시합니다.

연구 기관도 같은 작업을 할 수 있습니다. 다음과 같은 문헌 리뷰 그래프를 상상해 보세요: - 한 에이전트가 arXiv와 PubMed를 조사합니다. - 한 에이전트가 방법론과 p-해킹을 다룹니다. - 한 에이전트가 복제 및 실제 제약에 집중합니다. - 한 에이전트가 인용을 포함한 입장 문서를 종합합니다.

그것은 바로 TradingAgents로, 주식 대신 과학적 워크플로우에 맞게 재구성된 것입니다.

소프트웨어 개발이 가장 논리적인 다음 단계일 수 있습니다. 다음과 같은 기능을 갖춘 에이전트를 구성할 수 있습니다: - Jira 티켓과 Slack 스레드를 분석하는 요구 사항 에이전트 - 디자인을 제안하는 아키텍처 에이전트 - 모든 변경 사항에 대해 레드 팀을 구성하는 보안 에이전트 - 회귀 테스트 스위트를 생성하고 유지 관리하는 테스트 에이전트

그들은 무역의 교환에 대해 논의합니다—지연 vs. 신뢰성, DX vs. 규정 준수—최종 “기술 리드” 에이전트가 풀 요청 초안에 서명하기 전까지.

이것은 LangGraph, AutoGen, crewAI와 같은 AI 에이전트 프레임워크의 광범위한 호황에 부합합니다. TradingAgents는 역할, 데이터 흐름 및 토론 루프를 실제로 시끄러운 현실 세계 입력과 접촉하면서도 지속할 수 있는 방식으로 구조화하는 방법을 보여줍니다. 2024년 1월부터 3월까지의 백테스트는 MACD를 능가하는 것보다는 조정된 에이전트가 단일 전지전능한 LLM보다 뛰어날 수 있다는 것을 증명하는 데 더 중점을 두고 있습니다.

이러한 시스템을 편안하게 조정하는 개발자들은 2016년 초기 Kubernetes 채택자들이 있던 자리에서 앉게 될 것입니다. TradingAgents 공식 웹사이트의 그래프 다이어그램, 설정 및 논쟁 내용을 연구하십시오. 그런 다음 2025년에 진정으로 중요한 단 한 가지를 하세요: 실험하고, 망가뜨리고, 재구성하세요. 그것은 오픈 소스입니다.

AI 에이전트의 위원회는 오늘날 틈새 시장처럼 보이지만, 그 경로는 익숙합니다: 취미로 만든 GitHub 저장소에서 인프라로. TradingAgents는 이미 장난감 이상입니다; 그 arXiv 백테스트는 2024년 1월부터 3월까지 AAPL, GOOGL, AMZN에서 매수 및 보유 또는 단일 에이전트 LLM 기준선보다 높은 누적 수익률과 샤프 비율을 보여줍니다. 2분 이내에 합성 거래 데스크를 가동할 수 있다면, 당신은 합성으로 무엇이든 가동할 수 있다고 상상할 수 있습니다.

로빈후드(Robinhood), 웨b울(Webull), 또는 이토로(eToro)와 같은 소비자 중개업체들은 이 패턴을 친근한 사용자 인터페이스(UI)로 쉽게 통합할 수 있습니다. “이 주식을 설명해 주세요”라는 단일 버튼 대신 다음 중에서 선택할 수 있습니다: - 신중한 위험 관리자 - 공격적인 모멘텀 트레이더 - 반대론자 매크로 분석가

각 회사는 단순한 "매수"나 "매도"가 아닌 내부 논의 로그를 공개할 것입니다.

전문적인 측면에서 quant 플랫폼은 이미 집합 모델과 연구 터미널에 대한 비용을 지불합니다. 정교하게 다듬어진 TradingAgents 스타일의 시스템은 Bloomberg나 Koyfin 화면 옆에 배치되어 다중 에이전트 서사를 기존의 팩터 모델에 연결할 수 있습니다. 불투명한 모델 점수 대신, 포트폴리오 매니저는 구조화된 주장을 보게 될 것입니다: 펀더멘털 vs. 감정 vs. 기술적 요소, 특정 10-K 섹션, 뉴스 기사 및 소셜 포스트에 대한 링크가 포함됩니다.

실제 생산 사용은 진지한 엔지니어링을 요구합니다. 신뢰성은 에이전트를 엄격한 위험 한계, 결정론적 백업, 재현 가능한 결정 추적으로 제약하는 것을 의미합니다. 다음에 대한 가드레일이 필요합니다: - 에이전트 간의 프롬프트 주입 및 데이터 유출 - 신호를 오염시키는 환각된 숫자 - 한 에이전트의 상위 API가 실패할 때의 침묵적 실패

보안과 규정 준수는 정확성만큼 중요합니다. 다중 에이전트 거래 스택은 감사 목적으로 모든 프롬프트, 응답 및 데이터 소스를 기록해야 하며, SOC 2 리뷰를 통과하고 시장 남용 규칙을 준수해야 합니다. 이는 샌드박스 도구, 엄격한 역할 기반 접근 방식, 그리고 유닛 테스트만큼 철저한 모델 행동 테스트를 의미합니다.

실시간 데이터 통합이 다시 한 번 기준을 높입니다. Polygon, Alpha Vantage 또는 직접 거래소 연결에서 오는 저지연 피드는 LLM 속도 제한이나 토큰 예산을 초과하지 않고 에이전트로 흐러야 합니다. 흐름 아키텍처, 반복적인 기본 요소의 캐싱, 그리고 아마도 더 큰 모델이 심도 깊은 논쟁을 처리하는 동안 초고속 점검을 위한 작은 온프레미스 모델이 필요합니다.

장기적으로 AI의 정신 모델은 어떻게 변화할까요? 단일한 모든 것을 아는 오라클 대신, 협력적이고 설명 가능한 AI 팀이 생겨나며, 이들은 계산기보다는 동료처럼 행동합니다. 인간은 계속해서 참여하지만, 그들의 역할은 단순히 답을 요청하는 것에서 합성 전문가들의 회의를 주재하고 어떤 주장을 믿을지를 결정하는 것으로 변화합니다.

TradingAgents는 무엇인가요?

TradingAgents는 여러 전문 AI 에이전트를 사용하여 거래 회사를 시뮬레이션하는 오픈 소스 Python 프레임워크입니다. 이 에이전트들은 다양한 관점에서 주식을 분석하고, 그들의 발견을 논의하며, 협력하여 가상의 거래를 결정합니다.

TradingAgents는 실거래에 안전한가요?

아니요. 이 프로젝트는 개발자를 위한 시뮬레이션 및 연구 도구로 명시적으로 설계되었습니다. 실험적인 특성과 일관되지 않은 결과로 인해 실제 돈을 사용한 라이브 거래에는 사용되어서는 안 됩니다.

TradingAgents는 어떤 AI 모델을 사용할 수 있나요?

이것은 매우 모듈화되어 있으며 OpenAI(GPT-4 등), Anthropic(Claude), Google(Gemini)와 같은 다양한 대형 언어 모델(LLM)을 지원하여 사용자가 비용과 기능에 따라 선택할 수 있도록 합니다.

단일 AI 모델보다 어떻게 더 뛰어난가요?

인간 전문가 팀을 모방함으로써, 이 다중 에이전트 시스템은 다양한 관점(예: 기본 요소, 감정, 기술적 분석)을 포착하고 토론을 통해 리스크 관리도 통합합니다. 이러한 협력적 과정은 단일 일체형 AI보다 더 견고하고 다각적인 결정을 이끌어냅니다.