Context-Aware Real-time Sentiment based AI Agent for Stock Trading
본 프로젝트는 대규모 언어 모델(LLM)을 활용하여 실제 금융 전문가처럼 사고하고, 자신의 투자 실수를 통해 학습하며, 외부 법률 지식까지 참고하여 의사결정을 내리는 지능형 주식 트레이딩 에이전트를 구축합니다.
이 프로젝트는 기존 FinMem의 아이디어를 바탕으로, LLM의 추론 능력을 극대화하는 새로운 아키텍처를 설계하여 완전히 새로운 차원의 의사결정 시스템을 구현했습니다.
기존 FinMem 모델이 감성 분석에 의존했다면, 저희는 LLM의 추론 능력을 극대화하는 새로운 아키텍처를 설계했습니다.
단일 관점의 분석을 탈피하여, 각기 다른 투자 철학을 가진 3개의 AI 페르소나가 독립적인 분석을 수행합니다.
- 가치 투자자 (Value Investor): 재무 건전성, 부채, 현금 흐름, 내재 가치, 안전 마진 등 펀더멘털을 분석합니다.
- 성장 투자자 (Growth Investor): 신제품, 시장 점유율, 혁신, 사용자 성장, 미래 촉매 등 성장 잠재력을 분석합니다.
- 기술적 분석가 (Technical Trader): 주가 차트, 이동 평균, 거래량, 시장 심리, 단기 뉴스 등 모멘텀을 분석합니다.
최종적으로 CIO(최고 투자 책임자) 페르소나가 이들의 상충되는 의견을 종합하여, 가장 합리적인 투자 결정을 내립니다. 이 CIO는 단기적인 시장 잡음에 흔들리지 않고, 장기적인 부의 증식을 목표로 하는 확고한 투자 원칙을 따르도록 설계되었습니다.
에이전트는 단순히 거래만 하는 것이 아니라, 자신의 과거를 복기하며 학습합니다. 이 기능은 원본 FinMem의 reflection 모듈을 대폭 개선하여 구현되었습니다.
-
오답 노트 (Failure Memory): 거래에서 손실이 발생하면, "왜 실패했는가?"를 스스로 분석하여 그 원인을 '실패 기억'에 기록합니다.
-
동적 페르소나 전환: 다음 분석 시, "오답 노트"와 현재 시장 상황(상승장/하락장)을 최우선으로 고려하여, 자신의 기본 성격(System Prompt)을 동적으로 변경합니다. 예를 들어, 하락장에서는 극도로 보수적인 리스크 관리자로 변신하여 섣부른 매수를 자제합니다.
LLM이 가진 환각(Hallucination)의 한계를 극대화하고, 실제 법률 및 규제 데이터에 기반한 의사결정을 내립니다.
- 벡터 DB 기반 지식 창고: 법제처 국가법령정보센터에서 제공하는 '금융소비자 보호에 관한 법률' 및 관련 하위 규정 데이터를 원본으로 사용하여 벡터 데이터베이스를 구축합니다.
- 사실 기반 추론: 투자 결정 과정에서 에이전트가 이 벡터 DB에 관련 내용을 직접 질의하고, 검색된 사실을 바탕으로 법적 리스크나 규제 준수 여부를 판단합니다. 이를 통해 훨씬 더 안전하고 현실적인 트레이딩을 수행합니다.
본 프로젝트는 클라우드 기반의 확장 가능한 서버리스 아키텍처로 설계되었습니다.
- 배포 흐름: GitHub에 코드가 푸시되면, GCP Cloud Build가 자동으로 Docker 이미지를 빌드하고, 이 이미지를 GCP Cloud Run에 배포하여 트레이딩 에이전트를 실행합니다.
- 데이터 상호작용: 실행된 에이전트는 실시간 주가(Ticker Price) 및 시장 뉴스(Market News) 데이터를 수집하고, Faiss로 구축된 벡터 DB 형태의 장기 기억(Long-term Memory)과 상호작용하며 분석을 수행합니다.
- Cloud: Google Cloud Platform (GCP)
- Programming Language: Python
- Containerization: Docker
- LLM Framework: Langchain
- Vector Database: Faiss
시뮬레이션에는 주요 기술주에 대한 일별 주가 정보와 뉴스 기사 데이터가 포함된 데이터셋이 사용되었습니다.
| File Name | Ticker | Data Period (Start) | Data Period (End) | Total News Count |
|---|---|---|---|---|
aapl.pkl |
Apple | 2021-11-15 | 2023-06-13 | 16,228 |
msft.pkl |
Microsoft | 2021-11-15 | 2023-06-13 | 11,601 |
nvda.pkl |
Nvidia | 2021-11-15 | 2023-06-13 | 16,941 |
tsla.pkl |
Tesla | 2021-11-15 | 2023-06-13 | 18,266 |
-
데이터 소스: Stock News API
-
데이터 형식: Pickle 파일 (
.pkl) 내 직렬화된 Python 딕셔너리 객체 -
데이터 스키마 예시:
-
감성 분석 상세:
- 사용 모델: Hugging Face의
yiyang_luo/finbert-tone - 감성 분류: Positive(긍정), Neutral(중립), Negative(부정)
- 처리 방식: 수집된 각 뉴스 기사에 대해 FinBERT 모델을 사용하여 감성 점수를 예측하고, "The sentiment for this news is [CLASS]." 형식의 결과 문장을 원본 텍스트에 추가하여 데이터셋을 구성합니다.
- 사용 모델: Hugging Face의
본 에이전트의 뛰어난 의사결정 능력은 인간의 사고 과정을 모방한 정교한 시스템 설계와 프롬프트 엔지니어링 기법들의 유기적인 결합을 통해 구현됩니다.
에이전트는 정보를 중요도와 시간에 따라 체계적으로 관리합니다.
- 단기 기억 (Short-Term): 매일 발생하는 실시간 뉴스를 저장합니다.
- 중기 기억 (Mid-Term): 분기 보고서(10-Q)와 같이 더 긴 호흡의 정보를 저장합니다.
- 장기 기억 (Long-Term): 연례 보고서(10-K)처럼 기업의 장기적 펀더멘털을 담은 핵심 정보를 저장합니다.
- 1단계 (기초 분석): LLM이 원본 데이터를 요약하여 핵심 정보를 추출합니다.
- 2단계 (페르소나별 심층 분석): 가치, 성장, 기술적 분석가 페르소나가 각자의 관점에서 심층 분석 보고서를 작성합니다.
- 3단계 (위원회 토론): CIO 페르소나가 3개의 보고서를 종합하고, 가상의 Q&A를 통해 상충되는 의견을 조율합니다.
- 4단계 (최종 계획 수립): CIO가 토론 결과를 바탕으로 매수, 매도, 보류 여부와 그 근거를 담은 최종 투자 계획을 수립합니다.
- 페르소나 패턴 (Persona Pattern): 각 LLM 에이전트에게 명확한 역할과 투자 철학을 부여하여 다각적 분석을 유도합니다.
- 자기반성 (Self-Reflection): 과거의 실패 기록을 '오답 노트'로 만들어 다음 분석 프롬프트에 동적으로 주입하여 같은 실수를 반복하지 않도록 합니다.
- 검색 증강 생성 (RAG): 법률 벡터 DB에서 관련 규정을 실시간으로 검색하고 프롬프트에 포함시켜 사실 기반의 컴플라이언스 체크를 수행합니다.
- 구조화된 출력 (Structured Output):
Guardrails와 Pydantic 모델을 활용하여 LLM의 답변을 명확한 JSON 형식으로 강제합니다. - 연쇄적 사고 및 토론 (Chain of Thought & Debate): 다단계 파이프라인을 구성하여 복잡한 문제에 대한 점진적이고 논리적인 결론을 도출합니다.
4개의 주요 기술주(AAPL, MSFT, NVDA, TSLA)에 대한 시뮬레이션을 진행했습니다. 각 차트는 해당 기간 동안의 주가 변동 위에 에이전트의 실제 매수(▲) 및 매도(▼) 시점을 표시합니다.
| Apple (AAPL) | Microsoft (MSFT) |
|---|---|
 |
 |
| NVIDIA (NVDA) | Tesla (TSLA) |
 |
 |
전반적으로 추세 추종 및 스윙 트레이딩 전략을 구사하며, 특히 뚜렷한 상승 추세에서 높은 성과를 보이는 것으로 나타났습니다. 하지만 변동성이 크고 방향성이 불분명한 구간에서는 다소 어려움을 겪는 모습도 관찰되었습니다.
- 강점: NVIDIA, Apple, Microsoft의 사례처럼 분명한 방향성을 가진 추세 시장에서 매우 효과적입니다.
- 약점: Tesla의 사례에서 볼 수 있듯이, 뚜렷한 추세 없이 변동성이 극심한 횡보 또는 불규칙한 장세에서는 잦은 매매로 인한 손실이 발생할 수 있습니다.
결론적으로, 이 에이전트는 안정적인 성장주나 기술주에 투자할 때 높은 잠재력을 보여줄 것으로 기대됩니다.
프로젝트를 실행하고 결과를 확인하는 과정은 크게 4단계로 이루어집니다.
-
가상 환경 생성 및 활성화:
# 1. myenv.yml 파일로 가상 환경 생성 conda env create -f myenv.yml # 2. 생성된 가상 환경 활성화 conda activate legal_finmem # 3. RAG 기능에 필요한 langchain-openai 패키지 설치 pip install langchain-openai -
API 키 설정: 프로젝트 루트 디렉토리에
.env파일을 생성하고, 그 안에 자신의 OpenAI API 키를 다음과 같이 입력합니다.OPENAI_API_KEY="sk-..."
-
문서 준비:
data/legal_documents/폴더에 분석을 원하는 법률 문서(.txt, .pdf 등)를 넣습니다.
-
DB 생성 스크립트 실행:
# 토크나이저 병렬 처리 비활성화 (macOS 권장) export TOKENIZERS_PARALLELISM=false # 벡터 DB 생성 스크립트 실행 python -m puppy.build_legal_db실행이 완료되면
vector_db폴더에legal_faiss.index와legal_docs.pkl파일이 생성됩니다.
-
Config 파일 수정:
config/폴더 안의.toml파일을 열어 분석할 종목의trading_symbol등을 수정합니다.run_openai.sh파일 상단의CONFIG_FILE,MARKET_DATA_FILE,OUTPUT_PATH변수를 확인 및 수정합니다.
-
스크립트 실행:
# 이전 결과가 있다면 삭제하여 깨끗하게 시작 (선택 사항) rm -rf data/05_model_output/aapl_4o_mini_run # 시뮬레이션 실행 bash run_openai.sh체크포인트: 시뮬레이션이 중간에 중단되더라도, 동일한 명령어를 다시 실행하면 지정된 결과 저장 경로의 체크포인트를 통해 자동으로 이어서 실행됩니다.
-
리포트 생성:
run_openai.sh스크립트가 시뮬레이션 후 자동으로 리포트를 생성합니다. 수동으로 다시 생성하려면 아래 명령어를 사용합니다.# 예시: AAPL 결과 리포트만 다시 생성 python save_file.py --output-path data/05_model_output/aapl_4o_mini_run -
과정 및 영향력 분석:
- 로그 분석: AI 에이전트의 상세 행동 로그는
data/04_model_output_log/에서 확인할 수 있습니다. - 결과 보고서 분석: 생성된
[종목명]_full_report_...json파일을 열어 RAG의 실제 영향력(initial_context,primary_reason항목)을 분석합니다. - 시각화 및 심층 분석:
note_book.ipynb파일을 열어 에이전트의 일별 자산 변화, 거래 내역, 의사결정 과정 등을 상세히 추적하고 평가할 수 있습니다.
본 프로젝트는 아래 4명의 팀원이 협력하여 진행했습니다.
| 이름 (Name) | 학교/전공 (Affiliation) | GitHub / Contact |
|---|---|---|
| 박지원 | 동국대학교 컴퓨터AI학과 | jiwon4178 |
| 오영민 | 인하대학교 통계학과 | oymin2001 |
| 김강민 | 세종대학교 인공지능학과 | withmochaa |
| 정한결 | 국민대학교 소프트웨어학과 |
본 프로젝트는 원본 FinMem 프로젝트의 MIT 라이선스를 따르며, 추가적인 기여자의 저작권을 포함하고 있습니다. 자세한 내용은 LICENSE 파일을 참고해 주십시오.