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:
.env에는OPENAI_API_KEY와ALPHA_VANTAGE_API_KEY둘 다 필수다FINNHUB_API_KEY와REDDIT_*도 중요하다, 데이터 소스가 끊기면 결과가 비어버린다- CLI 진입점은
python -m cli.main, 핵심 파라미터는--ticker,--date,--analysts(어떤 애널리스트를 투입할지) --analysts미지정 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:
- 멀티 Agent 실전 엔지니어링을 배우고 싶은 개발자, LangGraph 오케스트레이션은 튜토리얼의 CrewAI 데모보다 한참 위다
- 퀀트 리서치에서 LLM을 의사결정 플로우에 끼워 넣고 설명 가능한 출력을 만들고 싶은 팀
- Agent 프레임워크 비교 연구를 하는 사람
안 맞는 사람:
- 바로 가져다 A주 투자하려는 사람 — 데이터 소스가 안 받쳐준다
- 돌리기만 하면 돈 벌린다고 기대하는 사람 — 이건 의사결정 보조지 성배가 아니다
- 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