F$^2$Agent: Financial Fusion of Agentic Intelligence for Multimodal Trading

기술 요약: F2Agent

문제 정의

금융 거래는 정량적인 과거 가격부터 정성적인 텍xtual 내러티브에 이르기까지 이질적인 정보원들의 복잡한 상호작용에 의존합니다. 효율적 시장 가설은 가격이 가용한 정보를 반영한다고 제안하지만, 이러한 다중 모달(multimodal) 신호를 효과적으로 소화하는 것은 모달리티 간의 구조적 격차와 금융 스트림에 내재된 높은 노이즈 수준으로 인해 여전히 어려운 과제입니다.

기존의 거대 언어 모델(LLM) 기반 트레이딩 에이전트들은 세 가지 주요 한계에 직면해 있습니다:

1. 제한된 다중 모달 모델링: 대부분의 방법론은 가격/기술적 지표에만 집중하거나 텍스트 감성에만 의존하며, 보완적인 정보를 충분히 활용하지 못하고 모달리티 간의 상호작용(예: 긍정적인 감성이 하락하는 가격 움직임과 동시에 발생하는 "뉴스에 팔아라(sell-the-news)" 시나리오)을 간과합니다.
2. 비효과적인 융합 메커니즘: 기존 솔루션은 주로 프롬프트 수준의 결합(concatenation)에 의존하며, 수치형 시계열을 텍스트 토큰처럼 취급합니다. 이러한 임시방편적인 접근 방식은 모달리티 간의 간극을 해결하지 못하며, LLM의 텍스트 편향이 결합된 표현(joint representations)을 지배하게 만들어 미세한 정량적 단서들을 묻히게 만듭니다.
3. 불충분한 강건성(Robustness): 금융 스트림은 신호 대 잡음비가 낮은 확률적 특성을 가집니다. 기존 에이전트들은 지속적인 시장 추세와 일시적인 섭동(예: 미시구조 노이즈)을 분리하는 명시적인 메커니즘이 부족하여, 무관한 신호에 과잉 반응하거나 변동성이 큰 시장에서 불안정한 결정을 내립니다.

방법론

본 논문은 "에이전트 지능의 금융적 융합(Financial Fusion of Agentic Intelligence)"에 의해 구동되는 새로운 다중 모달 에이전트 패러다임인 F2Agent를 제안합니다. 시스템 아키텍처는 세 가지 핵심 구성 요소로 이루어져 있습니다:

1. 전문화된 에이전트 계층 구조

F2Agent는 모든 데이터를 단일 모델로 처리하는 대신, 이질적인 소스로부터 보완적이고 모달리티별로 특화된 신호를 추출하기 위해 전문화된 에이전트 계층을 배치합니다:

• 시장 분석 에이전트(Market Analysis Agent): 인과적 트랜스포머 인코더(causal Transformer encoder)를 사용하여 원시 OHLCV(시가, 고가, 저가, 종가, 거래량) 시퀀스를 인코딩함으로써 장기적 시간 의존성과 비선형적 가격-거래량 결합을 포착합니다.
• 기술적 분석 에이전트(Technical Analysis Agent): 표현 기반 알파 팩터(예: MACD, RSI)를 인과적 트랜스포머로 처리하여 기술적 지표 간의 비선형적 상호작용을 모델링합니다.
• 감성 분석 에이전트(Sentiment Analysis Agent): 도구 증강 검색(tool-augmented retrieval) 기능이 있는 DeepSeek-R1을 활용하여 외부 뉴스 API를 쿼리하고, 기사를 요약하며, 각 뉴스 항목에 대한 이진 감성 라벨과 근거를 추론합니다.
• 뉴스 분석 에이전트(News Analysis Agent): 사고 사슬(Chain-of-Thought, CoT) 프롬프팅을 사용하는 미세 조정된 Qwen 기반 LLM(Qwen2.5-7B-Instruct)을 사용합니다. 이는 뉴스 증거를 검색 및 통합하여 투명한 자연어 추론 설명과 보조적인 방향성 신호(UP/DOWN)를 생성합니다.

2. 모달리티 인식 적응형 융합 메커니즘(Modality-Aware Adaptive Fusion Mechanism)

단순한 결합의 한계를 해결하기 위해, F2Agent는 전문화된 에이전트들을 조율하는 융합 레이어를 도입합니다:

• 정렬(Alignment): 각 에이전트의 출력은 공유 잠재 공간(shared latent space)으로 투영됩니다. LLM 기반 에이전트의 경우 마지막 토큰 풀링(last-token pooling)이 사용되며, 트랜스포머 인코더의 경우 [CLS] 표현이 활용됩니다.
• 적응형 어텐션(Adaptive Attention): 이 메커니즘은 모달리티별 쿼리(query), 키(key), 값(value)을 계산합니다. 키와 값에 주입되는 학습 가능한 모달리티 벡터($r_m$)를 도입하여, 인스턴스 독립적인 모달리티별 편향을 인코딩함으로써 모달리티 간의 다양성을 장려하는 동시에 인스턴스 독립적인 증거를 보존합니다.
• 동적 가중치 부여(Dynamic Weighting): 시스템은 미세한 모달리티 간 의존성을 동적으로 포착하여, 현재의 시장 맥락에 따라 모달리티의 가중치를 조절할 수 있게 합니다.

3. 노이즈 강건성 일관성 정규화(Noise-Robust Consistency Regularization)

시장 노이즈와 체제 변화(regime shifts)에 대한 안정성을 높이기 위해, 프레임워크는 일관성 정규화 전략을 채택합니다:

• 섭동(Perturbation): 훈련 중에 하나의 모달리티를 무작위로 선택하여 섭동을 가합니다(예: 가우시안 노이즈 추가).
• 일관성 손실(Consistency Loss): 섭동된 입력에 대한 예측 로짓(logits)이 원래 입력과 크게 달라질 경우 모델에 페널티를 부여합니다.
• 어텐션 억제(Attention Suppression): 특정 항을 통해 모델이 섭동된 모달리티에 대한 의존도를 높이지 않도록 억제함으로써, 모달리티 전반에 걸쳐 일관된 신호에 의존하도록 강제합니다.

시스템 통합

F2Agent는 뉴스 요약기(토큰 예산과 노이즈를 줄이기 위함), 모달리티 처리 모듈, 백테스팅 엔진을 통합한 엔드 투 엔드(end-to-end) 시스템으로 작동합니다. 이를 통해 실제적인 거래 제약 조건 하에서 거래 결정, 자연어 설명 및 성능 지표를 생성합니다.

주요 기여

1. 전문화된 에이전트 계층 구조: 단일 통합 모델에 의존하는 대신, 이질적인 소스(시장, 기술, 뉴스, 감성)로부터 보완적인 신호를 추출하기 위한 다중 에이전트 프레임워크를 도입했습니다.
2. 모달리티 인식 적응형 융합: 프롬프트 수준의 결합으로 발생하는 모달리티 간 격차를 완화하고, 미세한 모달리티 간 의존성을 동적으로 포착하는 새로운 융합 메커니즘을 제시했습니다.
3. 노이즈 강건성 일관성 정규화: 시장 노이즈와 체제 변화에 대한 강건성을 개선하기 위해 설계된 정규화 기술을 통해 안정적인 트레이딩 신호를 생성합니다.
4. 포괄적인 평가: 엔드 투 엔드 다중 모달 에이전트 트레이딩 시스템을 구현하였으며, 다양한 베이스라인 모델들을 상대로 광범위한 실험을 통해 일관된 우수성을 입증했습니다.

실험 결과

저자들은 6개의 자산(AAPL, AMZN, GOOG, MSFT, TSLA, BTCUSD)에 대해 규칙 기반 전략, ML/DL 모델, 강화 학습(RL) 에이전트, 일반 LLM 및 특화된 금융 LLM을 포함한 16개의 경쟁적인 베이스라인과 함께 F2Agent를 평가했습니다.

• 성능 지표: F2Agent는 연간 수익률(ARR), 샤프 지수(SR), 누적 수익률(CR), 최대 낙폭(MDD) 전반에 걸쳐 모든 베이스라인을 일관되게 앞질렀습니다.
• 주요 성과:
  • 테스트된 모든 자산에서 평균 1.00의 ARR 순위를 달성했습니다.
  • GOOG에서 148.41% ARR, TSLA에서 148.41% ARR을 기록했습니다.
  • 가장 우수한 성능을 보인 베이스라인 대비 연간 수익률 측면에서 평균 20% 이상의 상대적 개선을 보여주었습니다.
  • 다른 방법론들이 심각한 반전(reversals)을 보였던 BTCUSD와 같은 고변동성 자산에서도 안정성을 유지하며 우수한 위험 조정 성과를 입증했습니다.
• 절제 연구(Ablation Studies): 적응형 융합 모듈이나 강건성 정규화 도구를 제거하면 성능이 크게 저하되었으며, 이는 두 구성 요소의 필요성을 확인시켜 줍니다.
• 강건성: 베이스라인 모델들(강력한 일반 LLM 포함)은 상충하는 교차 모달 큐(cross-modal cues)를 처리할 때 성능이 저하되는 경우가 많았던 반면, F2Agent는 더 많은 모달리티가 추가되어도 안정적인 성능을 유지했습니다.
• 효율성: 시스템은 모든 데이터 처리를 위해 단일 LLM 호출에 의존하는 프레임워크와 비교하여 우수한 토큰 효율성을 입증했습니다.

의의 및 주장

본 논문은 F2Agent가 다중 모달 융합과 강건성의 핵심적인 간극을 해결함으로써 AI 기반 금융 거래의 중요한 진전을 이루었다고 주장합니다.

• 패턴 추출을 넘어: 단순한 패턴 추출이나 얕은 융합에 집중하는 이전 방법들과 달리, F2Agent는 이질적인 모달리티를 융합하기 위한 원칙적인 메커니즘을 제공하여 미묘한 교차 모달 의존성을 포착할 수 있게 합니다.
• 강건한 의사결정: 모달리티 간의 상호작용을 명시적으로 모델링하고 노이즈에 대해 정규화하는 것이 변동성이 큰 시장에서 더 신뢰할 수 있는 트레이딩 신호를 생성하며, 고립된 모달리티가 유발할 수 있는 "감성 함정(sentiment traps)"을 피할 수 있음을 보여줍니다.
• 확장성 및 일반화: 본 프레임워크는 다양한 자산군(주식 및 암호화폐)과 시장 상황에 걸쳐 일반화될 수 있음을 보여주며, 이는 에이전트 패러다임이 정보가 풍부한 실제 트레이딩 환경에서 실행 가능한 접근 방식임을 시사합니다.

저자들은 F2Agent가 시장 역학에 대한 총체적인 관점을 제공하기 위해 전문화된 에이전트 계층을 효과적으로 조직하며, 노이즈와 변화하는 체제에 강건한 일관된 트레이딩 표현을 생성한다고 결론짓습니다. 향후 연구로는 이 패러다임을 다중 모달, 리스크 인식 자산 배분을 위한 포트폴리오 관리로 확장하는 것을 언급했습니다.