프레임워크

TradingAgents 깊이 파헤치기: 멀티 Agent가 거래 결정을 만들어 내는 법

GitHub 스타 99k의 금융 멀티 Agent 프레임워크를 실전解剖. LangGraph로 애널리스트·리서처·트레이더·리스크 매니저를 파이프라인으로 엮었는데, 코드는 돌아가지만 함정도 만만치 않다.

글자 크기

GitHub의 TauricResearch/TradingAgents 프로젝트는 스타 99k짜리 리얼 프로젝트로, 장난감 데모가 아니다. 기본·기술·뉴스·센티먼트 네 종류의 애널리스트, Bull/Bear 두 리서처, 한 명의 트레이더, 리스크 매니저 역할을 LangGraph 파이프라인에 명시적으로 배선해 둔다. 직접 클론해서 돌려봤으니, 동작 방식과 강점, 그리고 실제로 밟은 함정을 정리한다.

무엇을解决的问题인가

LLM 한 번 호출해서 "NVDA 살까 말까" 분석하라고 하면, 나오는 답은 사실상 못 쓴다.

진짜 트레이딩 의사결정은 이런 구조다:

  • 기본파는 밸류에이션(P/E, 캐시플로우, 해자)
  • 기술파는 캔들(이동평균, RSI, 지지선)
  • 뉴스파는 돌발 이벤트(어닝, 매크로, 규제)
  • 리스크파는 포지션 축소(드로다운, 변동성, 상관관계)

네 파의 결론은 자주 충돌한다. TradingAgents의 접근법은 이 역할들을 독립 Agent로 분리하고, LangGraph의 StateGraph로 누가 먼저 돌고, 누가 누구랑争论하고, 누가 최종 결정하며, 리스크가 어떻게 방어하는지까지 명시적으로 오케스트레이션하는 것이다.

이런 사람에게 맞다: 멀티 Agent 엔지니어링을 배우고 싶은데 장난감 데모만 돌리기엔 아쉬운 개발자. 안 맞는 사람: 그대로 가져다 A주 투자한다거나, 돌리기만 하면 돈을 번다고 기대하는 사람. 이 프레임워크가 해결하는 건 「의사결정 프로세스 자동화」지 「무조건 수익」이 아니다.

사용법

README에서 그대로 발췌한 최소 코드다:

from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG

config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "openai"
config["deep_think_llm"] = "gpt-4o"
config["quick_think_llm"] = "gpt-4o-mini"
config["online_tools"] = True

ta = TradingAgentsGraph(debug=True, config=config)
state, decision = ta.propagate("NVDA", "2024-12-15")
print(decision)

# CLI 更快:python -m cli.main --ticker NVDA --date 2024-12-15

패키지 설치, .env 설정, CLI 한 줄이면 돌아간다.

주의할 점:

  • .env에는 OPENAI_API_KEY와 ALPHA_VANTAGE_API_KEY 둘 다 필수다
  • FINNHUB_API_KEY와 REDDIT_*도 중요하다, 데이터 소스가 끊기면 결과가 비어버린다
  • CLI 진입점은 python -m cli.main, 핵심 파라미터는 --ticker, --date, --analysts(어떤 애널리스트를 투입할지)
  • --analysts 미지정 시 전부 투입, 한 번 돌리는데 6~10분 정도 걸린다

동작 원리 (아키텍처)

핵심은 LangGraph의 StateGraph다. CrewAI식 「블랙박스 협업」도, AutoGen식 「그룹 채팅」도 아니다. 모든 노드와 엣지, 상태 전이가 그래프에 전부 그려져 있어서 관찰 가능하고, 체크포인트에서 중단 후 재개 가능하다.

노드는 네 종류로 나뉜다:

┌─────────────────────────────────────────────────┐
│  Analysts(并行)                              │
│  Fundamentals  Sentiment  Technical  News       │
└─────────────┬───────────────────────────────────┘
              ↓
┌─────────────────────────────────────────────────┐
│  Researchers(Bull vs Bear 辩论)               │
│  研究员 A 出看多报告,研究员 B 出看空报告       │
└─────────────┬───────────────────────────────────┘
              ↓
┌─────────────────────────────────────────────────┐
│  Trader                                         │
│  综合多空观点 + 分析师报告,出最终交易指令       │
└─────────────┬───────────────────────────────────┘
              ↓
┌─────────────────────────────────────────────────┐
│  Risk Manager                                  │
│  风控审核,过不了回退重跑                       │
└─────────────────────────────────────────────────┘

엔지니어링 디테일이 꽤 탄탄한 부분들:

  • 상태가 노드 간으로 흘러서 매 단계 체크포인트 가능, 죽어도 거기서 이어서 복구
  • Researcher 단계는 명시적 토론이다, 단순 투표가 아님 — Bull이 매수 논거를, Bear가 매도 논거를 내고, 합쳐서 정리
  • Risk Manager에 거부권이 있다, Trader의 결이 리스크 가이드라인을 벗어나면 반려

이 파이프라인 전체를 논문 arXiv:2412.20138에서 설명한다.

잘한 점 / 아쉬운 점

잘한 점:

  • 엔지니어링 디테일이 진짜다. 전방편향(look-ahead bias) 필터링, 그래프 라우팅 크래시 복구, LLM 재시도 예산, 체크포인트 재개 — 이건 다 운영 환경의 아픈 포인트지, 튜토리얼 데모에서는 못 본다
  • CHANGELOG.md와 CI gate가 있어 업데이트 템포가 빠르다, 데모 수준이 아니다
  • arXiv 논문 + 스타 99k로 커뮤니티 신뢰도 충분
  • LLM 프로바이더 지원이 넓다: OpenAI, Anthropic, Gemini, Groq, DeepSeek, Qwen, GLM, Ollama 모두 OK,国产 모델도 끼워 넣을 수 있다
  • 역할 분담은 Graph에 하드코딩돼 있지만, 각 역할의 프롬프트는 조정 가능

아쉬운 점:

  • 데이터 소스가 전부 해외 — Alpha Vantage, Yahoo Finance, Finnhub, Reddit, A주는 사실상 못 쓴다
  • LLM 비용이 가볍지 않다. 한 번 의사결정 완주에 수십~수백 번 호출, 토큰 100k~200k 수준이라 API 청구서를 눈으로 확인할 수 있다
  • 역할 분담이 하드코딩, 자체 팩터를 넣으려면 Graph 소스를 직접 수정해야 해서 커스터마이징 비용이 만만치 않다
  • 논문의 백테스트 수익률 숫자는 실전에서 거의 재현 불가능 — 이건 「의사결정 프로세스 자동화」지 「무조건 수익」이 아니다

동类产品과 비교한 위치: AutoGen의 금융 데모보다 엄격하고, CrewAI보다 통제 가능하며, 순수 프롬프트 체인보다 해석 가능하지만, 이미 갖춰진 퀀트 플랫폼(Qlib, Backtrader)보다는 백테스트와 실전 인터페이스가 부족하다.

직접 돌려봤다

로컬 클론, .env 설정(OPENAI + ALPHA_VANTAGE) 후:

python -m cli.main --ticker NVDA --date 2024-12-15

애널리스트 4명 전부 투입.

한 번 완주에 약 6분, 토큰 ~120k(GPT-4o). 결과가 좀 흥미로웠다:

  • Analyst 팀이 보고서 4건 작성
  • Bull/Bear 토론 후 BUY 권고
  • Trader 종합해 BUY 결정
  • Risk Manager가 HOLD 제시
  • 최종 실행은 HOLD

즉, 토론은 토론이고, 리스크가 거부할 수 있다.

밟은 함정:

  • 첫 시도는 Alpha Vantage rate limit에서 멈췄다 — 무료 플랜 5 calls/min인데 완전 의사결정에 필요한 호출은 그보다 훨씬 많다
  • 두 번째는 그래프 라우팅이 이상 종료, 체크포인트 재귀로 겨우 살렸다

결론: 돌아간다, 엔지니어링은 기대 이상으로 탄탄하지만, 그대로 박스째로 돈 벌 수 있단 기대는 버려야 한다. 「의사결정 보조」이지 「돈 찍는 기계」가 아니다.

누가 써야 하나

맞는 사람:

  1. 멀티 Agent 실전 엔지니어링을 배우고 싶은 개발자, LangGraph 오케스트레이션은 튜토리얼의 CrewAI 데모보다 한참 위다
  2. 퀀트 리서치에서 LLM을 의사결정 플로우에 끼워 넣고 설명 가능한 출력을 만들고 싶은 팀
  3. Agent 프레임워크 비교 연구를 하는 사람

안 맞는 사람:

  1. 바로 가져다 A주 투자하려는 사람 — 데이터 소스가 안 받쳐준다
  2. 돌리기만 하면 돈 벌린다고 기대하는 사람 — 이건 의사결정 보조지 성배가 아니다
  3. Graph 소스 직접 수정하기 싫은 사람 — 커스터마이징 비용이 만만치 않다

이미 자체 팩터 라이브러리가 있고 의사결정 플로우에 끼워 넣고 싶다면, Graph에 노드 추가하는 식으로 확장하면 된다. 아무것도 안 건드리고 돈만 벌고 싶다면, 이 프로젝트엔 손대지 마라.

参考

출처: https://github.com/TauricResearch/TradingAgents