기술 요약: StockAgent – 시뮬레이션된 실제 환경에서의 대규모 언어 모델 기반 주식 거래

1. 문제 정의

주식 시장은 거시 경제, 정책 변화, 기업 펀더멘털, 글로벌 이벤트 등 수많은 요인의 영향을 받는 복잡하고 변동성이 큰 생태계 내에서 작동합니다. 역사적 데이터를 활용한 백테스팅(예: Zipline, Backtrader)과 같은 전통적인 방식은 정적인 특성과 사후 편향(retrospective bias) 문제를 겪으며, 이는 종종 과적합(overfitting)을 초-래하고 실시간 시장 유동성이나 집단적 심리를 반영하지 못하는 결과로 이어집니다. 머신러닝 및 강화 학습(예: Trading Gym)이 적용되기도 했으나, 이들은 인간 투자자의 미묘하고 비이성적이며 심리적인 행동을 시뮬레이션하는 능력은 부족한 경우가 많습니다.

또한, 기존의 AI 기반 트레이딩 시뮬레이션은 **테스트 세트 누수(test set leakage)**라는 결정적인 문제에 직면해 있습니다. 모델들이 훈련 과정에서 습득한 특정 시장 데이터에 대한 사전 지식을 활용함으로써, "사전 지식이 없는(no prior knowledge)" 시나리오에서의 시뮬레이션 타당성을 훼손하기 때문입니다. 따라서 연구자들이 외부 조건(예: 금리, 재무 보고서, 사회적 심리)이 거래 결정과 수익성에 어떻게 영향을 미치는지 조사할 수 있도록, 역사적 데이터 암기에 의존하지 않고 동적인 외부 요인에 반응하는 투자자 행동을 시뮬레이션할 수 있는 프레임워크가 필요합니다.

2. 방법론: StockAgent 프레임워크

저자들은 실제 주식 거래 환경을 시뮬레이션하기 위해 설계된, 대규모 언어 모델(LLM) 기반의 멀티 에이전트 시스템(MAS)인 StockAgent를 제안합니다. 이 시스템은 이벤트 드리븐(event-driven) 방식으로 작동하며, 메시지 가용성을 보장하면서도 에이전트 간의 행동 충돌을 방지하도록 구조화되어 있습니다.

2.1 시스템 아키텍처

StockAgent는 세 가지 주요 모듈로 구성됩니다:

1. 투자 에이전트 모듈 (Investment Agent Module):
   • 에이전트는 무작위 자본, 부채, 그리고 네 가지 성격 중 하나(보수적, 공격적, 균형적, 성장 지향적)로 초기화됩니다.
   • 에이전트는 대출, 거래(매수/매도/홀드/롱/숏), 예측, 팁 공유에 대한 결정을 내립니다.
   • "비서(secretary)" 메커니즘은 현실성을 유지하기 위해 잘못된 응답(예: 가용 현금을 초과하는 지출)을 수정합니다.
2. 거래 모듈 (Transaction Module):
   • 딕셔너리 데이터 구조를 사용하여 오더 북(order book)을 관리합니다.
   • 동시 거래 시 발생하는 데드락을 방지하기 위해, 시스템은 **랜덤 클록 페이지 교체 알고리즘(Random Clock Page Replacement Algorithm)**을 채택합니다. 에이전트들에게 무작위 ID와 결정 순서를 할당하여 자원에 대해 동시에 경합하지 않도록 보장합니다합니다.
3. 게시판 시스템 (Bulletin Board System, BBS) 모듈:
   • 에이전트들이 매일 종료 시점에 익명으로 거래 팁을 게시할 수 있도록 하여 사회적 역동성을 시뮬레이션합니다. 이 메시지들은 다음 날 모든 에이전트에게 공개되며, 이는 시장 심리와 동료의 의견이 미치는 영향을 모방합니다.

2.2 시뮬레이션 설계

• 환경: 시뮬레이션은 NASDAQ 및 홍콩 증권거래소의 거래 세션과 메커니즘을 재현합니다.
• 자산: 두 개의 익명화된 주식(주식 A와 주식 B)이 사용됩니다. 주식 A는 유통 주식이며, 주식 B는 신규 발행된 IPO 주식입니다. 초기 설정은 FCFF(기업 자유 현금 흐름) 가치 평가와 **CAPM(자본 자산 가격 결정 모델)**을 사용하여 적정 주가를 결정하기 위해 실제 재무 보고서(대차대조표, 손익계산서, 현금흐름표)로부터 도출되었습니다.
• 프로세스 흐름:
  1. 프리 트레이딩(Pre-Trading): 이자 상환, 대출 상환, 파산 체크 및 특수 이벤트 트리거(예: 지급준비율 변경, 금리 인상).
  2. 트레이딩 세션: 에이전트는 시장 데이터와 BBS 입력을 바탕으로 매수, 매도 또는 홀드 여부를 결정합니다. 가격은 마지막 거래 가격을 기준으로 세션 종료 시 업데이트됩니다.
  3. 포스트 트레이딩(Post-Trading): 에이전트는 미래의 행동을 예측하고 BBS에 거래 팁을 공유합니다.
• 외부 요인: 연구자들은 에이전트의 반응성을 테스트하기 위해 특정 외부 이벤트(예: 통화 완화, 금리 인상, 실적 발표)를 시뮬레이션에 포함합니다.

2.3 백본 모델 (Backbone Models)

본 연구는 에이전트의 인지 엔진으로서 두 가지 최첨단 LLM을 활용합니다:

• GPT-3.5-Turbo (gpt-3.5-turbo-0125)
• Gemini-Pro (Gemini-pro-1.0)

프레임워크는 모델이 제공된 컨텍스트를 바탕으로 추론하는 능력에 집중함으로써, 특정 테스트 데이터에 대한 모델의 사전 지식 영향을 최소화하는 것을 명시적 목표로 합니다.

3. 주요 기여

1. 새로운 시뮬레이션 프레임워크: 역사적 데이터 암기에 의依赖하지 않고, 실제 시장 조건에 반응하는 투자자 거래 행동을 시뮬레이션하는 LLM 기반 MAS인 StockAgent를 개발했습니다.
2. 테스트 세트 누수 해결: 모델이 테스트 데이터에 대한 사전 지식을 활용하는 것을 방지하도록 설계되어, 에이전트가 시장 데이터에 노출된 적이 없는 상황에서의 "자유 거래 격차(free trading gaps)" 연구를 가능하게 합니다.
3. 다요인 분석: 거시 경제 지표, 정책 변화, BBS 심리와 같은 뚜렷한 외부 요인이 거래 행동과 수익성에 어떻게 영향을 미치는지 평가할 수 있는 프레임워크를 제공합니다.
4. 비교 LLM 분석: 서로 다른 LLM 백본(GPT vs. Gemini)이 어떻게 트레이딩 전략을 구동하는지에 대한 체계적인 비교를 제공하여, 내재된 편향과 행동적 경향을 밝혀냅니다.

4. 실험 결과

저자들은 세 가지 연구 질문(RQ)을 해결하기 위해 200명의 AI 에이전트를 대상으로 10일간(RQ3를 위해 154일까지 확장) 실험을 수행했습니다.

4.1 시뮬레이션 효과성 (RQ1)

• 차별화된 거래 성향: GPT와 Gemini는 뚜렷하게 다른 거래 패턴을 보였습니다. GPT 기반 에이전트는 낙관적인 전망을 보이며 롱 포지션을 선호했고, 특히 주식 A에 대해 거래 횟수는 적지만 거래량은 높은 거래를 실행했습니다. Gemini 기반 에이전트는 더 비관적이었으며, 숏 포지션을 선호하고 더 높은 빈도의 낮은 거래량을 보였습니다.
• 행동 클러스터링: T-SNE 시각화 및 클러스터링 분석 결과, Gemini 에이전트는 더 동질적이고 군집적인(herd-like) 행동을 보이는 반면, GPT 에이전트는 더 높은 분산도를 보여 보다 주관적인 의사결정과 덜 의존적인 군집 심리를 시사했습니다.

4.2 LLM 신뢰성 (RQ2)

• 실행 차이: 두 모델 모두 주식 A가 주식 B보다 상대적으로 우수하다는 점을 식별했으나, 실행 전략은 크게 달랐습니다. GPT 에이전트는 높은 변동성과 잠재적 이익(및 리스크)을 동반한 공격적 전략을 채택한 반면, Gemini 에이전트는 낮은 가격 범위를 유지하며 보수적이고 안정적인 전략을 유지했습니다.
• 내재적 편향: 결과는 선택한 LLM 백본이 트레이딩 결과에 상당한 영향을 미친다는 것을 나타내며, 이는 LLM의 내재된 성향과 사전 지식이 주식 추천의 신뢰도에 영향을 줄 수 있음을 시사합니다.

4.3 외부 조건 하에서의 시뮬레이션 트레이딩 (RQ3)

• 금리에 대한 민감도: 기준 금리 정보를 제거하자 에이전트들이 대출 비용에 대해 더 낙관적이 되어 주식 A의 거래 활동이 촉진되었습니다.
• BBS의 영향: BBS 커뮤니케이션이 부재할 경우 더 보수적인 행동이 나타났고, 주식 B의 가격이 이상적인 가치 아래로 하락했습니다.
• 재무 데이터의 영향: 실적 보고서와 금리 변화를 제거했을 때 놀랍게도 일부 에이전트가 손실에서 수익으로 전환되었는데, 이는 다른 컨텍스트가 없는 상태에서 과도하거나 특정적인 재무 데이터가 때로는 최적화되지 않은 의사결정을 유도할 수 있음을 시사합니다.
• 시장 변동성: 모든 재무 정보 지원이 철회되었을 때, 에이전트의 이득과 손실 사이의 격차가 벌어졌으며, 이는 시장 경쟁의 심화와 결과의 높은 변동성을 나타냅/습니다.

5. 의의 및 주장

본 논문은 StockAgent가 통제된 시뮬레이션 환경에서 외부 요인이 주식 거래 활동에 미치는 영향을 조사하는 데 귀중한 도구를 제공한다고 주장합니다. 테스트 세트 누수를 피함으로써, 이 프레임워크는 에이전트가 사전 지식이 없는 시나리오에서의 행동을 연구할 수 있게 하여 전통적인 데이터 분석과 인간 심리의 역동성 사이의 간극을 메워줍니다.

연구 결과는 다음과 같습니다:

• LLM 선택의 중요성: 서로 다른 LLM은 뚜렷한 편향과 전략적 선호도를 도입하며, 이는 시뮬레이션 결과와 투자 조언을 왜곡할 수 있습니다.
• 외부 요인이 행동을 주도함: 에이전트는 특정 외부 입력(예: 금리, 사회적 심리)에 매우 민적이며, 이러한 요인의 제거는 시장 역동성과 수익성을 극적으로 변화시킬 수 있습니다.
• 향후 방향: 저자들은 이 프레임워크가 더 역동적인 정보를 통합하고, 심리 분석 모듈을 개선하며, 다양한 트레이딩 전략 및 리스크 관리 기법을 테스트하는 플랫폼 역할을 할 수 있다고 봅니다. 또한, 기초 모델의 내재된 편향을 고려할 때 LLM 기반 트레이딩 전략의 신뢰성에 대한 추가 연구의 필요성을 강조합니다.

Stock-Agent의 코드는 이 분야의 추가 연구를 촉진하기 위해 공개되었습니다.