이걸 왜 이제 알았을까? 주식판을 뒤집어놓을 AI 어벤져스, 'TradingAgents-CN' 솔직 분석 및 후기
💡 한 마디로? 단순한 챗봇 하나가 주식을 찍어주는 게 아니라, 기본적/기술적 분석가, 강세/약세 연구원, 리스크 관리자 등 다양한 AI 에이전트들이 가상의 투자 회사를 차려서 서로 치열하게 토론(Debate)하고 검증하여 결정을 내리는 ‘다중 스마트 컨트랙트 기반의 금융 거래 프레임워크(중국어/로컬 최적화 버전)’입니다,.
최근 단톡방이나 커뮤니티에서 ‘AI로 자동매매 돌려봤냐’는 이야기, 한 번쯤 들어보셨죠? 저도 LangChain 끄적거리면서 간단한 트레이딩 봇은 만들어봤는데, 이게 환각(Hallucination) 한 번 오면 내 피 같은 시드머니가 살살 녹아내리잖아요. 그래서 늘 “LLM 하나에 내 돈을 맡기는 건 미친 짓이다”라고 생각했는데… 어제 깃허브 트렌딩을 눈팅하다가 진짜 물건을 하나 발견했습니다. 바로 TradingAgents-CN입니다.
이걸 처음 보고 솔직히 뒤통수를 한 대 맞은 기분이었어요. “아, AI로 트레이딩을 하려면 프롬프트를 깎을 게 아니라, 시스템의 구조 자체를 인간의 조직처럼 설계해야 하는구나“라는 걸 깨달았거든요. 커피 한 잔 내리시고, 이 미친 프로젝트가 왜 개발자들의 가슴을 뛰게 하는지 같이 살펴보시죠. ☕️
🚀 Deep Dive: 프롬프트 엔지니어링을 넘어선 ‘조직 엔지니어링’
원래 UCLA, MIT 연구진 등이 참여한 논문 베이스의 오픈소스 TradingAgents가 원본인데요. 이걸 중국의 한 개발자(hsliuping)가 포크해서 A주/미주 등 실데이터 연동과 웹 UI, 그리고 DeepSeek, Qwen(알리바바) 같은 로컬 LLM까지 완벽하게 붙여서 만든 확장판이 바로 TradingAgents-CN입니다,.
단순히 공식 문서를 번역하는 대신, 현직 개발자의 시각에서 이 아키텍처가 왜 기존과 다른지 해설해볼게요. 기존의 단일 에이전트 봇들은 거대한 프롬프트 하나에 모든 판단을 의존했습니다. 그런데 TradingAgents-CN은 LangGraph를 기반으로 ‘역할 기반 다중 스마트 협업(Multi-Agent Collaboration)’을 구현했어요.
| 역할 (Role) | 주요 임무 (Task) | 백엔드 구현 관점에서의 특징 |
|---|---|---|
| 분석가 팀 (Analysts) | 재무제표, 차트, 뉴스, 시장 심리 분석 | 병렬 처리(Parallel Execution)를 통한 비동기적 데이터 수집 및 요약 |
| 연구원 팀 (Researchers) | 강세(Bull) / 약세(Bear) 관점 토론 | LangGraph의 순환(Cyclic) 엣지를 활용한 Multi-turn Debate 구조 |
| 트레이더 (Trader) | 최종 매매 타이밍 및 비중 결정 | 연구원들의 토론 컨센서스 결과를 기반으로 한 프롬프트 체이닝 |
| 리스크 관리 (Risk) | 최대 손실폭(MDD) 제어, 포지션 검증 | 보수적 파라미터가 적용된 독립적인 안전장치(Guardrail) 에이전트 |
여기서 제일 소름 돋았던 부분은 연구원 팀의 토론(Debate) 메커니즘입니다. 강세장 연구원과 약세장 연구원에게 서로 다른 페르소나를 부여하고, 분석가들이 물어온 데이터를 바탕으로 키보드 배틀(?)을 뜨게 만듭니다. “지금 차트 뚫었으니 사야 해!” 하면 반대쪽에서 “아니, 뉴스 감성 분석 보니까 거시경제가 불안정해!”라고 반박하는 식이죠. LLM의 환각을 ‘집단 지성’으로 억제하는 우아한 설계입니다.
💻 Hands-on: 우리가 당장 써먹을 수 있는 방법
실제로 도커(Docker Compose)로 띄워서 써보니까, Streamlit 기반의 대시보드가 생각보다 훨씬 깔끔하고 쾌적하더라고요. 개발자인 우리가 이걸 현업이나 개인 토이 프로젝트에 어떻게 써먹을 수 있을까요?
- 나만의 퀀트 투자 랩실 🧪: 단순히 ‘이 주식 오를까?’ 결과를 보는 게 아니라, 내가 설정한 특정 메트릭에 대해 AI들이 어떻게 반응하고 토론하는지 그 추론 과정(Log)을 관찰할 수 있습니다.
- 사내 금융 데이터 분석 파이프라인 자동화 📊: 매일 아침 종목이나 섹터 리포트를 작성하는 업무가 있다면? 이 프레임워크를 살짝 개조해서 ‘아침 8시마다 리포트 PDF/Markdown 자동 생성’ 파이프라인으로 쓰기 딱 좋습니다.
🤔 Honest Review: 솔직한 장단점 (세상에 완벽한 코드는 없다)
솔직히 공식 문서만 보면 당장 내일 워런 버핏이 될 것 같지만, 직접 돌려보면서 느낀 찐 한계점들도 꽤 명확했습니다.
🔥 이건 진짜 최고다 (Pros)
- 압도적인 구조적 안정성: LLM 특유의 “아무 말 대잔치”를 다중 에이전트 간의 상호 검증과 리스크 관리자 에이전트로 꽤 훌륭하게 필터링합니다.
- 로컬 LLM 및 가성비 세팅: 요즘 폼 미친 DeepSeek나 오픈소스 모델들을 API로 아주 쉽게 붙일 수 있습니다. (사실상 토큰값 절약의 핵심!)
- Docker 원클릭 배포: Redis랑 MongoDB까지 한 방에 컨테이너로 올라가서 세팅 스트레스가 거의 없습니다.
🚧 사실 이 부분은 좀 아쉬웠어요 (Cons)
- API 비용의 압박 💸: 에이전트들이 핑퐁하면서 토론을 하다 보니, 한 번의 의사결정에 호출(API Call) 횟수가 엄청납니다. 생각 없이 GPT-4o로 굴렸다간 주식 수익보다 토큰값이 더 나오는 배보다 배꼽이 더 큰 상황이 벌어집니다 (공식에서도 저렴한 mini 모델 믹스를 권장하더라고요).
- 중국 시장 중심의 로컬라이징 🇨🇳: 프로젝트 태생상 A주(중국 주식) 데이터와 중국어 프롬프트에 강하게 최적화되어 있습니다. 한국 증시(KOSPI/KOSDAQ)나 한국어 뉴스 피드를 제대로 붙이려면 OpenDart나 네이버 금융 API 등을 연동하는 커스텀 인그레이션(Integration) 작업이 필수적입니다.
🎯 Conclusion: 결국 AI 트레이딩의 미래는 ‘협업’이다
한 마디로 정리해볼게요. TradingAgents-CN은 “LLM을 금융 같은 고위험 도메인에 적용하려면 이 정도 시스템 아키텍처는 짜야 한다”는 걸 몸소 보여주는 훌륭한 레퍼런스입니다.
당장 내일 이걸로 자동매매를 돌려서 벤츠를 뽑겠다는 환상보다는, Multi-Agent 시스템이 어떻게 복잡한 의사결정을 수행하는지 깊이 있게 학습하기에 이만한 오픈소스 교보재가 없는 것 같습니다.
주말에 커피 한 잔 타놓고, 리포지토리 클론해서 코드 구조를 쓱 까보시는 걸 강력히 추천합니다! 어쩌면 그 구조 속에서 우리만의 ‘여의도 AI 어벤져스’를 만들 영감을 얻을지도 모르잖아요? 😉
References
- https://github.com/hsliuping/TradingAgents-CN
- https://github.com/TauricResearch/TradingAgents
- https://arxiv.org/abs/2412.20138
