LangGraph 기반 Multi-Agent 구조로 LLM 확증 편향을 해결한 TradingAgents v0.2.4

Context

단일 모델과 거대 프롬프트 기반의 기존 LLM 트레이딩 봇이 가진 결정적인 확증 편향(Confirmation Bias) 문제 분석. 초기 가설 설정 후 유리한 정보만 선택적으로 수용하는 구조적 한계로 인해 객관적 의사결정이 어려운 상황.

Technical Solution

• 상호 비판적 논쟁 구조를 통한 확증 편향 제거를 위해 Analyst, Bull/Bear, Risk Mgmt, Portfolio Manager로 이어지는 5계층 역할 기반 에이전트 설계
• LangGraph State Graph 도입을 통한 명시적 Handoff 구현 및 노드별 상태 로깅과 체크포인트 기반의 Resume 기능으로 API 비용 최적화
• Pydantic Schema 기반의 Structured Output 적용으로 텍스트 파싱 오류를 제거하고 결정 값의 데이터 정밀도 확보
• 과거 결정 기록과 실제 수익률을 다음 실행 시 프롬프트에 자동 주입하는 Persistent Decision Memory 구조를 통한 자기 피드백 루프 구현
• 고도의 추론이 필요한 논쟁 단계(Deep Think)와 단순 요약 단계(Quick Think)를 분리하여 LLM Provider를 차등 배치하는 비용 효율적 전략 채택

Impact

• AAPL, GOOGL, AMZN 대상 백테스트 결과 23.21~26.62%의 누적 수익률 달성
• 연간 수익률 최대 30.5% 기록 및 Baseline 대비 Sharpe Ratio와 Max Drawdown 지표 개선

Key Takeaway

단일 LLM의 판단보다 대립하는 관점을 가진 다수 에이전트 간의 구조적 논쟁(Structured Debate)이 고위험 의사결정 도메인에서 더 높은 신뢰성을 제공함.