기술 요약: QuantHarness

문제 정의

최근 대규모 언어 모델(LLM)의 발전은 TradingAgent 및 FINMEM과 같은 멀티 에이전트 프레임워크 내에서 금융 추론에 대한 상당한 능력을 입증했습니다. 그러나 이러한 기존 시스템들은 주로 뉴스 기사, 소셜 미디어 감성, 실적 보고서와 같은 비정형 텍스트 입력에 크게 의존하며, 이는 장기 투자 과업을 위해 설계되었습니다. 이러한 의존성은 고빈도 매매(HFT) 관점에서 두 가지 결정적인 한계를 제시합니다:

1. 지연 및 시차(Latency and Lag): 텍스트 신호는 가격 발견(price discovery)보다 뒤처지는 경우가 많습니다. 시장 정보가 뉴스나 보고서에 반영되기 전에 이미 가격에 선반영되기 때문입니다.
2. 노이즈 및 구조화 문제(Noise and Structure): 비정형 텍스트는 노이즈가 많고 검증하기 어렵습니다. 반면, HFT는 기술적 지표, 차트 패턴, 그리고 OHLC(시가-고가-저가-종가) 데이터에 직접 인코딩된 트렌드 특징에 기반한 빠르고 정밀한 의사결정을 필요로 합니다.

현재의 LLM 기반 금융 프레임워크는 HFT의 속도와 구조화된 특성에 적합하지 않습니다. HFT는 OHLC 데이터에 직접 인코딩된 기술적 지표, 차트 패턴 및 트렌드 특징에 의존하기 때문입니다. 실시간 고빈도 알고리즘 매매를 위해 LLM의 추론을 구조화된 가격 기반 신호와 정렬시키는 프레임워크가 부족한 실정입니다.

방법론: QuantHarness

이러한 격차를 해소하기 위해, 저자들은 고빈도 알고리즘 매매를 위해 명시적으로 설계된 최초의 멀티 에이전트 LLM 프레임워크인 QuantHarness를 소개합니다. 외부 감성 분석을 포함하는 이전 연구들과 달리, QuantHarness는 모든 가용 정보를 가격에 집약시킨다는 효율적 시장 가설(Efficient Market Hypothesis)을 준수하며, 오직 가격 유래 시장 신호(OHLC 데이터)만을 기반으로 작동합니다.

본 시스템은 LangGraph를 기반으로 구축되었으며, 매매 과정을 네 가지의 전문화되고 협력적인 에이전트로 분해합니다:

1. IndicatorAgent (지표 에이전트):

   • 기능: 원시 OHLC 시퀀스를 구조화된 정량적 신호로 변환합니다.
   • 메커니즘: 다섯 가지 표준 기술적 지표인 상대강도지수(RSI), 이동평균 수렴 확산 지수(MACD), 변화율(ROC), 스토캐스틱 오실레이터(STOCH), 윌리엄스 %R을 계산합니다.
   • 역할: 저수준의 가격 데이터를 고수준의 특징으로 추상화하여, 노이즈에 강한 시장 모멘텀 및 감성의 요약을 제공합니다.

2. PatternAgent (패턴 에이전트):

   • 기능: 차트 형상을 탐지하기 위해 시각적 및 구조적 멀티모달 추론을 수행합니다.
   • 메커니즘: LLM 결합 도구(LLM-bound tools)를 활용하여 원시 데이터로부터 단순화된 캔들스틱 차트를 생성합니다. 그 후, 이 시각화 자료를 자연어로 기술된 정형 패턴(예: 쌍바닥, 헤드 앤 숄더, 삼각형) 라이브러리와 비교합니다.
   • 역할: 고점, 저점, 횡보 구간과 같은 기하학적 구조를 식별하여, 원시 차트 데이터와 고수준 추론 사이를 연결합니다.

3. TrendAgent (트렌드 에이전트):

   • 기능: 방향성 모멘텀 및 트렌드 역학을 분석합니다.
   • 메커니즘: 최근의 국지적 고점(저항선)과 저점(지지선)에 최소제곱법(OLS) 회귀선을 적합시켜 트렌드 채널을 생성합니다. 평균 기울기($\kappa_t$)를 계산하여 트렌드를 상승, 하락 또는 횡보로 분류합니다.
   • 역할: 시장의 구조적 맥락을 결정하며, 탐지된 패턴이 현재의 트렌드와 일치하는지 혹은 반전 신호인지를 평가합니다.

4. RiskAgent & DecisionAgent (리스크 및 결정 에이전트):

   • RiskAgent: 이전 에이전트들의 출력을 통합하여 단일 리스크-리워드 프레임워크를 구축합니다. 고정 손절매($\rho = 0.0005$)를 설정하고, LLM이 예측한 리스크-리워드 비율($r \in [1.2, 1.8]$)에 따라 동적 익절 레벨을 계산합니다.
   • DecisionAgent: 실행 계층 역할을 합니다. 지표, 패턴, 트렌드 에이전트의 신호를 종합하여 향후 세 개의 캔들스틱에 대한 시장 방향을 예측합니다. 시스템은 'HOLD(관망)' 결정을 금지하며, 반드시 방향성 있는 결정(LONG 또는 SHORT)을 내리도록 강제합니다. 또한 구조화된 결정, 간결한 근거, 그리고 리스크-리워드 비율을 출력합니다.

주요 기여

• 최초의 HFT 지향적 LLM 프레임워크: QuantHarness는 지연되는 텍스트 입력에 의존하지 않고 OHLC 데이터에서 직접 작동하도록 설계된 최초의 HFT 특화 멀티 에이전트 시스템입니다.
• 특성화된 멀티 에이전트 아키텍처: 매매 과정을 지표, 패턴, 트렌드, 리스크 에이전트로 분해함으로써, 기관 투자 데스크의 워크플로우를 모방한 모듈식, 해석 가능하며 교차 검증 가능한 의사결정을 가능하게 합니다.
• 비정형 텍스트에 대한 구조적 추론: LLM의 추론을 구조화된 가격 신호(기술적 지표 및 차트 기하학)와 정렬시키는 것이 HFT를 위한 추적 가능한 실시간 의사결정 시스템의 유효한 경로임을 입증했습니다.
• 해석 가능성: '블랙박스' 형태의 전통적인 알고리즘 전략과 달리, QuantHarness는 모든 거래에 대해 자연어 근거를 생성하여 의사결정 과정에 대한 투명성을 제공합니다.

실험 결과

저자들은 비트코인, 나스닥 선물, S&P 500, 원유를 포함한 9가지 금융 상품을 대상으로 1시간 및 4시간 시간 해상도에서 QuantHarness를 평가했습니다. 시스템은 사전 시연이나 지도 학습 기반의 미세 조정 없이 제로샷(zero-shot) 추론에 의존하여 테스트되었습니다.

• 성능 지표: QuantHarness는 무작위 베이스라인(Random Baseline), 선형 회귀(LR), XGBoost, 그리고 TradingAgent 프레임워크와 비교되었습니다.
• 방향 정확도: QuantHanna는 베이스라인들을 지속적으로 상회했습니다. 예를 들어, 나스닥(NQ) 4시간 간격에서 무작위 베이스라인 대비 방향 정확도가 26.5% 향상되었습니다. 1시간 타임프레임에서는 SPX, QQQ, BTC와 같은 자산에서 뚜렷한 성과를 보였습니다.
• 위험 조정 수익률: 본 시스템은 테스트된 대부분의 자산에서 가장 높은 수익률(RoR) 지표($R_{cc}$, $R_{max}$, $R_{min}$)를 달 기록하며, 하방 위험을 효과적으로 제한하면서 수익성 있는 트렌드를 포착하는 능력을 입증했습니다.
• 일반화 능력: 롤링 윈도우(rolling-window) 검증을 통해 견고한 일반화 능력을 보여주었으며, S&P 500(SPX)의 연속적인 단기 예측 작업에서 최대 80%의 방향 정확도를 달성했습니다.

의의 및 주장

본 논문은 구조화된 트레이딩 신호와 LLM 기반 추론을 결합하는 것이 텍스트 기반 접근 방식보다 고빈도 시장에서 더 우수한 프레임워크를 만든다는 가설을 QuantHarness를 통해 검증한다고 주장합니다.

• 가격 전용 분석의 타당성: 결과는 기술적 분석이 순수하게 가격 데이터에 기반하더라도 고빈도 의사결정에 충분하다는 것을 시사합니다. 이는 가격이 모든 관련 시장 정보를 본질적으로 반영하기 때문입니다.
• 추적 가능성: 프레임워크는 특정 지표와 패턴에서 파생된 언어적 근거를 동반함으로써, 전통적인 알고리즘 전략에서 결여되기 쉬운 추적 가능성과 해석 가능성을 제공합니다.
• 확장성: 멀티 에이전트 구조는 외부 감성 분석이나 인간의 감독 없이도 작동하는, 향-실시간 데이터 효율적 금융 시스템을 위한 확장 가능한 토대를 제공합니다.

한계점

저자들은 다음과 같은 현재의 제약 사항을 인정합니다:

• 마이크로 호라이즌 정확도: 시장 노이즈와 급격한 체제 전환(regime shift)으로 인해 초단기 타임프레임(1~15분)에서의 예측 정밀도가 저하됩니다.
• 지연 시간(Latency): 여러 번의 LLM 호출과 도구 바인딩을 포함하는 현재의 추론 사이클은 1분 단위의 기회를 포착할 수 있는 창보다 긴 지연을 유발할 수 있으므로, 진정한 의미의 서브-미닛(sub-minute) 실시간 매매에는 적합하지 않습니다. 향후 연구에서는 이를 해결하기 위해 도구 오케스트레이션을 간소화하거나 로직을 엣지 모델로 이동시키는 방안을 제시합니다.