기술 요약: LLM 거래 에이전트에서의 표현 서명과 위험-피드백 정렬

1. 문제 제기

대형 언어 모델 (LLM) 에이전트가 고위험 금융 의사결정에 점점 더 적용되고 있지만, 현재의 평가 패러다임은 종종 복잡한 거래 시스템을 단일 수익 곡선이나 이상화된 백테스트로 축소합니다. 이러한 접근법은 미래 정보의 활용, 위험 제약의 이행, 실행 가정의 현실성, 의사결정 근거의 재현성 등 중요한 실패 모드를 가립니다.

이 논문은 다음과 같은 과학적 질문을 제기합니다: LLM 에이전트가 명시적 제약 하에서 금융 의사결정을 할 때, 손실 (drawdown) 발생 전에 그들의 내부 표현과 의도가 정렬 또는 실패의 측정 가능한 서명을 드러내는가? 저자들은 수익 곡선만으로는 모델이 붕괴를 예측했는지, 문맥을 환각했는지, 위험 보고서에서 학습했는지, 아니면 외부 수정이 필요한 집중된 노출을 반복적으로 제안했는지를 판단할 수 없다고 주장합니다.

2. 방법론: TradeArena

이러한 격차를 해결하기 위해 저자들은 의사결정 역학을 검사 가능하게 만든 감사 가능한 거래 에이전트 테스트베드인 TradeArena를 소개합니다. 이 시스템은 모듈성, 재현성, 실행 현실성, 위험 인식, 감사 가능성, 에이전트 네이티브 평가라는 여섯 가지 설계 목표를 기반으로 구축되었습니다.

시스템 아키텍처

TradeArena 는 에이전트 수명 주기를 교체 가능한 별도의 구성 요소로 분리합니다:

• 데이터 계층: 타임스탬프가 지정된 시장 데이터 (OHLCV), 뉴스, 거시 신호를 제공합니다.
• 에이전트 수명 주기: 관찰 - 계획 - 도구 - 위험 - 실행 - 성찰 루프를 기록합니다.
• 위험 계층: 실행 전에 결정을 잘라내거나 차단하거나 주석할 수 있는 1 급 (first-class) 단계로 작용합니다.
• 실행 시뮬레이터: 수수료, 슬리피지, 지연, 부분 체결, 주문 거절 등을 포함한 현실적인 마찰을 모델링합니다.
• 메모리 및 도구: 상태를 유지하고, 저널을 작성하며, 백테스팅 도구를 허용합니다.
• 궤적 로그: 모든 상태, 추적, 보고서, 시드 (seeds) 를 재생 가능한 JSON 형식으로 집계합니다.

실험 프로토콜

이 연구는 다면적인 실험 설계를 사용합니다:

• 합성 벤치마크: 통계적 견고성을 확립하기 위해 30 개의 무작위 시드로 120 개의 의사결정 기간 동안 3 개의 합성 자산을 사용합니다.
• 역사적 검증: 2021 년부터 2026 년까지 S&P 500(GSPC), 비트코인, 이더리움을 대상으로 주간 의사결정으로 테스트합니다.
• 장내 복잡성: 고차원 상관관계 추론을 테스트하기 위한 51 개 종목, 1 시간 장내 실험입니다.
• 위기 탐침: 2022 년 기술/금리 손실과 2023 년 SVB/지역은행 충격을 타임스탬프가 가려진 시뮬레이션으로 탐침합니다.
• 모델 행렬: 캐시된 Poe 중개 인터페이스와 직접 제공자 검사를 통해 최첨단 모델 (GPT-5.5, Gemini 3.1 Pro, Kimi K2.5, GLM-5, Claude Opus 4.7, DeepSeek V4 Pro) 을 평가합니다.

진단 탐침

실패 서명을 분리하기 위해 저자들은 여러 제거 및 스트레스 테스트를 사용합니다:

• 표현 임베딩: "유효 차수 (effective rank)"와 기하학적 변화를 측정하기 위해 결정론적 해시 임베딩, 잠재 의미 분석 (LSA), BGE-M3 Transformer 임베딩, 그리고 화이트박스 Qwen2.5 숨은 상태 탐침을 사용합니다.
• 제거 (Ablations): CoT 제거 (JSON 만의 가중치), 어휘 통제 (타입 - 토큰 비율), 노이즈 주입 (최대 20% 의 가우시안 OHLCV 충격), 그리고 반대편 가짜 감사 보고서입니다.
• 피드백 변형: 진짜 피드백 (실제 위험 보고서), 위약 피드백 (구조화되었으나 거짓인 보고서), 숨겨진 피드백 (보고서 없음) 을 비교합니다.

3. 주요 기여

A. 실패의 표현 서명

핵심 발견은 LLM 의사결정 표현이 측정 가능한 사전 실패 서명을 보인다는 것입니다.

• 기하학적 변화: 손실 발생 전에 계획 임베딩이 정상 상태 중심에서 멀어집니다.
• 유효 차수 축소: 실패 전에 의사결정 다양체 (manifold) 의 차원성이 축소됩니다. 이는 해시 임베딩, LSA, BGE-M3, 화이트박스 숨은 상태 전반에서 관찰됩니다.
• 예측 능력: 융합된 계획 - 위험 표현은 균형 잡힌 정확도 최대 0.807로 정상 상태와 손실 전 상태를 구분합니다.
• 견고성: 이러한 서명은 CoT 제거 조건 (모델에 따라 의도 공간 축소는 다양함), 어휘 통제 (어휘 다양성이 붕괴되지 않음), 그리고 상당한 시장 노이즈 (20% OHLCV 교란) 하에서도 유지됩니다.

B. 위험 - 피드백 정렬 및 과정렬

구조화된 위험 피드백은 외부 정렬 신호로 작용하지만, 그 효과는 모델에 의존적이며 보편적으로 유익하지는 않습니다.

• 진짜 대 위약: 진실한 감사 피드백은 일부 모델 (예: GPT-5.5, Kimi K2.5) 의 수익과 손실을 개선하고 다른 모델 (예: Gemini 3.1 Pro) 의 보정을 개선합니다.
• 추론 분리: 위약 피드백 (잘 형성되었으나 거짓인 보고서) 은 모델이 실제 환경적 제약과 인과적 연결 없이 위험 인식 어휘와 보수적 행동을 채택하는 "추론 분리"를 유발할 수 있습니다. 이는 성능을 개선하지 않으면서 의사결정 기하학을 저하시킬 수 있습니다 (예: Gemini 3.1 Pro 의 경로 왜곡 증가).
• 신뢰 보정: 적대적 가짜 중대 감사 보고는 보수적 편향을 유발합니다. 일부 모델 (Gemini) 은 slight한 성과 향상을 보이지만, 다른 모델 (GPT-5.5, Claude) 은 성과 저하를 겪으며, 이는 모델이 잘못된 감독 신호에 맹목적으로 정렬하는 신뢰 보정 실패를 나타냅니다.

C. 고차원 금융 추론의 한계

51 개 종목 장내 실험은 상관관계 무시 실패 모드를 드러냅니다.

• LLM 은 단일 이름 내러티브를 기반으로 0.994 의 상관관계를 가진 긴밀하게 결합된 주식 쌍 (예: GOOGL/GOOG) 에 높은 의도 가중치를 부여하는 경우가 많습니다.
• 기계적으로 분산하는 Markowitz 최소 분산 기준과 달리, LLM 은 2 차 공분산 제약을 내부화하지 못해 외부 위험 계층이 포지션을 반복적으로 잘라내게 합니다.
• 이는 모델이 포트폴리오 수준의 통계적 구조보다 선형적이고 이름 수준의 내러티브를 우선시하는 인지적 협소화를 시사합니다.

D. 감사 가능한 실험 기질

TradeArena 는 "헤드라인 수익"을 넘어 책임 있는 의사결정 시스템으로 이동하는 데 필요한 인프라를 제공합니다. 이는 성과 차이가 종종 실행 가정 (예: 이상적 대 현실적 체결) 이나 위험 제약의 산물이며, 이는 전체 궤적 로그를 통해서만 볼 수 있음을 보여줍니다.

4. 결과 요약

• 성과 대 위험: 합성 벤치마크에서 위험 인식 에이전트는 매수 - 보유 (buy-and-hold) 대비 샤프 비율 (7.696 대 2.913) 을 개선하고 최대 손실 (-0.025 대 -0.261) 을 감소시키지만, 능동적 거래로 인해 체결률이 약간 낮을 수 있습니다.
• 실행 현실성: 이상적 실행 제거는 수익을 크게 높여 마찰 없는 가정이 성과를 실질적으로 과장함을 확인시켜 줍니다. 현실적 실행은 슬리피지와 거절을 도입하여 수익을 감소시키지만 유효한 감사 추적을 제공합니다.
• 모델 적응: 최첨단 행렬에서 Gemini 3.1 Pro는 위험 개입 후 가장 강력한 즉각적 자기 수정 (감소율 0.750) 을 보인 반면, Kimi K2.5는 전체 수익/손실 면에서 가장 좋았지만 위험 보고서에 대한 즉각적 반응은 가장 약했습니다.
• 환각 대리 지표: LLM 근거의 지지되지 않은 주장은 위험 게이트 트리거와 거절된 주문과 연관됩니다. 그러나 외부 위험 계층은 이러한 의도가 실행 실패로 이어지기 전에 종종 필터링하여 환각과 하류 손실 간의 직접적 상관관계를 약화시킵니다.
• 학습 곡선: 52 개의 의사결정 단계 동안 모델은 보정 점수가 개선되고 위험 게이트 비율이 감소하여, 수익성이 없더라도 시간이 지남에 따라 제약을 내부화하는 것을 보여줍니다.

5. 중요성과 주장

이 논문은 그 기여를 수익성 주장이 아닌 연구 주장으로 명시적으로 규정합니다. 이는 LLM 이 현재 수익성 있는 거래 에이전트라고 주장하지 않습니다. 대신 다음과 같이 주장합니다:

1. 감사 가능한 위험 피드백과 표현 궤적은 LLM 금융 추론이 정렬되고, 편향되거나, 실패할 때를 드러냅니다.
2. 제약 준수 언어는 제약 기반 추론과 구별됩니다. 모델은 위험을 인식하는 것처럼 들릴 수 있습니다 (어휘적 정렬) 하지만 증거, 제약, 행동 간의 일관된 인과적 연결을 유지하지 못할 수 있습니다 (논리적 정렬).
3. 실패는 예측 가능합니다: 사전 실패 서명 (표현 축소, 기하학적 변화) 은 다양한 임베딩 공간과 노이즈 수준에서 감지 가능하고 견고합니다.
4. 평가는 전체적이어야 합니다: 수익 곡선만으로는 부족합니다. 금융 에이전트에 대한 과학적 평가는 실행 현실성, 위험 수명 주기 커버리지, 표현 진단을 포함하여 진정한 전략 성과와 테스트 환경의 산물을 구분해야 합니다.

저자들은 TradeArena 가 이러한 의사결정 역학을 관찰 가능하고 재생 가능하게 만드는 기질로 작용하며, 텍스트적 준수가 왜곡된 의사결정 기하학의 대가로 치러지는 "정렬 세금"을 진단하는 길을 제공한다고 결론지었습니다.