Show GN: 31개의 LLM을 교차검증 체계로 엮은 100% 자율 주식 매매 시스템

Context

B2C 종목 추천 웹서비스는 막대한 API 통신 비용과 사용자 확보의 어려움에 직면했다. 단일 LLM 모델은 처분 효과(손절 회피, 수익 실현 급서)와 환각(존재하지 않는 주식 추천)을 반복했으며, 31개 에이전트가 20~30개 종목을 분석할 때 토큰 한계와 외부 API Rate Limit으로 실행 시간이 1시간을 초과했다.

Technical Solution

• 포트폴리오 분석 + 시장 스탠스 규정: KIS(한국투자증권) API로 실시간 잔고 조회 및 기존 매매 승률 분석, VIX/환율/KOSPI 등 5개 지표로 현재 시장 상태 판단 (Phase 0~1)
• 거시경제 분석 에이전트 구성: FRED, 한국은행 API 활용하여 금리/환율/파생상품 분석하고, Base/Bull/Bear 3가지 시나리오 강제 도출 (Phase 2, 7개 에이전트)
• 산업/섹터 스크리닝 파이프라인: 외인/기관 수급, 업종 PER, 뉴스 기반 유망 업종 선정 후 Validator 에이전트로 상장폐지/시총 미달 기계적 필터링 (Phase 3, 10개 에이전트)
• 기업분석 및 리스크 검증: DART 재무제표, 기술적 지표, 뉴스 분석 및 공매도 압력·MDD 검증 (Phase 4, 8개 에이전트)
• 최종 의사결정 집중화: gemini-3.1-pro-preview 원탑 모델이 30개 에이전트 산출물 취합하되, 매몰 비용 오류 방지를 위해 Bear Case 시나리오와 투자 무효화 조건 명시 강제 (Phase 5, 1개 CIO 에이전트)
• 인지 편향 제거 로직: AI의 과거 결정과 모순될 경우 스탠스 변화 사유 명시 및 자신의 과거 승률 자체 평가로 Red-Teaming 적용
• 대량 데이터 배치 처리 아키텍처: get_fundamental_batch_all 같은 백엔드 배치 처리로 재무·차트 지표 데이터 일괄 수집하여 토큰 소비 및 API 호출 최소화

Impact

전체 파이프라인 순차 실행 시간을 약 1시간 이내로 안정화했으며, 실계좌(1,000만 원) 연동하여 매일 오후 3시 5분에 실시간 자동 매매 실행 중

Key Takeaway

멀티 에이전트 릴레이 파이프라인에서는 단순 합의 메커니즘이 아니라 각 단계별 Validator 에이전트 배치, 자동화된 Red-Teaming, 명시적 Bear Case 강제로 LLM의 인지 편향을 체계적으로 제거하고 토큰/API 한계는 백엔드 배치 처리로 해결할 수 있다는 설계 원칙을 보여준다.