A Multi-Agent Generative AI Framework for Explainable Stock Market Analysis in Indian Equity Market

기술 요약: 인도 주식 시장의 설명 가능한 분석을 위한 다중 에이전트 생성형 AI 프레임워크

문제 정의
인도 시장의 개인 주식 투자자와 금융 연구자들은 '분석적 파편화'라는 중대한 과제에 직면해 있습니다. 기술적, 기본적, 감성 신호가 전통적으로 개별적으로 처리됨에 따라 통합된 신뢰도 기반 분석이 불가능합니다. 또한, 기존의 AI 기반 주식 예측 도구들은 종종 투명한 추론 과정 없이 점 예측(point predictions)만을 제공하는 '블랙박스' 형태의 딥러닝 모델(예: LSTM, GRU)에 의존하여 정확도만을 우선시하며, 이는 해석 가능성을 저해합니다. 이러한 설명 가능성의 결여는 알고리즘 권고의 논리를 검증할 수 없게 만들어 규제 준수와 투자자 신뢰를 저해합니다.

방법론
저자들은 인도 주식(NSE 및 BSE)에 특화된 이종(heterogeneous) 5개 에이전트 프레임워크를 제안합니다. 이 시스템은 Python의 asyncio를 이용한 병렬 실행과 LangGraph를 통한 오케스트레이션을 기반으로 하는 모듈형 상태 관리 파이프라인으로 작동합니다.

1. 데이터 수집: 시스템은 yfinance를 통해 OHLCV 데이터와 기본 지표를 추출하고, BeautifulSoup4를 사용하여 Moneycontrol 및 Economic Times의 금융 뉴스를 스크래핑합니다. 텍스트 데이터는 sentence-transformers를 사용하여 임베딩되며, 검색 증강 생성(RAG)을 위해 이중 벡터 저장소(FAISS 및 ChromaDB)에 인덱싱됩니다.
2. 전문가 에이전트 (병렬 실행):
   • 기술적 분석 에이전트: RSI, MACD, 다중 기간 EMA(9, 21, 50, 200) 및 지지/저항 레벨을 계산합니다. 지표의 정렬 상태를 바탕으로 가중치 점수와 신뢰도를 생성합니다.
   • 기본적 분석 에이전트: 밸류에이션(P/E, P/B, PEG), 수익성(ROE, ROA), 재무 건전성(부채/자기자본, 유동비율), 성장 지표를 통해 내재 가치를 평가합니다. 섹터 중앙값 대비 Z-점수 정규화를 적용합니다.
   • 감성 분석 에이전트: 3클래스 감성 분류를 위해 ProsusAI FinBERT를 활용하며, 최근 뉴스의 중요도를 높이기 위해 지수 시간 감쇠 가중 함수($\lambda=0.9$)를 적용합니다. LLM 작동 실패 시 규칙 기반 폴백(Loughran-McDonald 렉시콘)이 활성화됩니다.
   • 섹터 벤치마킹 에이전트: 대상 종목을 10개의 사전 정의된 인도 섹터 내 2~5개의 피어(peer) 증권과 비교하여 P/E, 수익률, 성장률에 대한 백분위 순위를 계산합니다.
3. 오케스트레이션 및 이상 탐지: 오케케스트레이터는 공유 상태(AnalysisState)를 관리합니다. **이상 탐지기(Anomaly Detector)**는 충돌(예: 상충하는 고신뢰도 신호, 가격-뉴스 괴리, 또는 저신뢰도 출력)을 모니터링합니다. 이상이 감지되면 확장된 데이터 윈도우나 폴백 소스를 사용하는 제한된 재검증 루프(최대 2회 사이클)를 트리거합니다. 이상이 지속될 경우, 시스템은 결과를 인간의 검토 대상으로 플래그를 지정하고 신뢰도 페널티를 적용합니다.
4. 합성 및 추론:
   • 합성 에이전트: 신뢰도 가중치 공식을 사용하여 에이전트 출력을 집계합니다. 합의 부스팅(consensus boosting) 메커니즘을 적용하여, 4개 에이전트 중 3개가 특정 방향에 대해 60% 이상의 신뢰도로 동의할 경우 신호를 업그레이드합니다(예: BUY $\to$ STRONG BUY).
   • 생성적 추론: 시스템은 Google Gemini 2.0 Flash를 단순한 분석 엔진이 아닌 구조화된 렌더러로 호출합니다. 모델은 집계된 점수, 증거 목록, 이상 플래그를 전달받아 명시적인 증거 인용을 포함한 자연어 투자 추론을 생성합니다.
5. 인터페이스: 시스템은 프로그래밍 방식의 접근을 위해 FastAPI REST 백엔드를 노출하며, 인터랙티브한 스크리닝을 위해 Plotly 시각화가 포함된 Streamlit 대시보드를 제공합니다.

주요 기여

1. 이종 다중 에이전트 아키텍처: 기술적, 기본적, 감성 및 섹터 분석을 단일 상태 관리 파이프라인으로 통합하여 균질한 앙상블 방식을 넘어섰습니다.
2. 신뢰도 가중 합성: 다차원적 합의를 정량화하고 에이전트 일치도가 75%를 초과할 때 신호 강도를 높이는 메커니즘을 구현했습니다.
3. 자가 치유형 이상 탐지: 특정 충돌 유형(예: 기술-기본적 괴리)을 분류하고 데이터 품질 문제를 자율적으로 해결하기 위해 제한된 재검증 루프를 실행하는 모듈을 구축했습니다.
4. 도메인 특화 감성 튜닝: 인도 시장의 빠른 뉴스 사이클에 맞춰 지수 시간 감쇠 가중치가 적용된 FinBERT를 구현했습니다.
5. 아키텍처적 설명 가능성: LLM이 예측자가 아닌 사전 검증된 신호의 렌더러 역할을 하도록 설계하여, 생성된 모든 추론이 구체적이고 추적 가능한 증거에 근거하도록 보장합니다.

실험 결과
본 프레임워크는 5개 섹터에 걸친 10개의 NSE 상장 종목을 대상으로 15개월(2024년 1월 – 2025년 3월) 동안 평가되었습니다.

• 합의: 시스템은 테스트 케이스의 **78%**에서 교차 에이전트 합의를 달야했습니다.
• 방향 정확도: 모델은 5일 시장 변동에 대해 **72%**의 방향 정확도를 기록하며, 매수 후 보유(buy-and-hold) 전략(58%)과 순수 기술적 분석(64%)을 상회했습니다.
• 지연 시간: 엔드 투 엔드 추론은 CLI에서 평균 32.4초, REST API에서 26.1초가 소요되어 실시간 상호작용을 위한 30초 미만 목표를 충족했습니다.
• 이상 처리: 분석의 30%에서 이상이 감지되었으며, 재검증 프로토콜이 이 중 **67%**를 해결했습니다.
• 신뢰도 상관관계: 신뢰도 수준과 방향 정확도 사이에 0.61의 피어슨 상관관계가 관찰되었습니다. 고신뢰도 권고(>70%)는 82%의 정확도를 보인 반면, 저신뢰도 권고는 58%에 그쳤습니다.

의의 및 주장
본 논문은 현재의 금융 AI가 가진 '블랙박스' 한계를 해결하는 재현 가능하고 해석 가능한 아키텍처를 제시합니다. 이종 분석 관점과 자가 치유 메커니즘, LLM 기반 증거 인용을 통합함으로써, 본 프레임워크는 투명한 의사결정 지원 도구를 제공합니다. 저자들은 이 접근 방식이 은폐된 딥러닝 모델에 의존하지 않고도 개인 투자자들이 신뢰도 기반의 설명 가능한 통찰력에 접근할 수 있도록 하여 고급 분석을 민주화한다고 주장합니다. 본 시스템은 오픈 소스 도구와 공개 데이터를 사용하여 구축할 수 있는 개념 증명(proof-of-concept)으로 제시되었으며, 강화 학습을 통한 동적 가중치 최적화 및 인도 금융 전문 용어 처리를 위한 'Indic-FinBERT' 모델 개발과 같은 향후 개선 경로를 명시하였습니다.