본문으로 건너뛰기
오픈소스 전체 목록

TradingAgents

  • 추천0
  • GitHub 별123K
  • 금융라이선스Apache-2.0

분석가·트레이더·리스크 담당 AI 에이전트가 토론하며 매매 판단을 내리는 멀티 에이전트 LLM 트레이딩 연구 프레임워크

원본:TauricResearch/TradingAgents

요약

분석가·트레이더·리스크 담당 AI 에이전트가 토론하며 매매 판단을 내리는 멀티 에이전트 LLM 트레이딩 연구 프레임워크

설명

Tauric Research

TradingAgents: 멀티 에이전트 LLM 금융 트레이딩 프레임워크

arXiv Discord X Follow GitHub Community

TradingAgents 오늘의 저장소 1위

최신 소식: Trading-R1 얼리 액세스 시작

커뮤니티의 많은 요청 끝에 Trading-R1이 정식으로 공개되었습니다!

터미널에서 연구 질문에 답하는 Trading-R1

얼리 액세스 신청 ↗

소식

  • [2026-11] Trading-R1 v0.1.0 공개, 얼리 액세스 신청 시작.
  • [2026-10] TradingAgents v0.7.1 공개: 결정을 최종 종가로만 채점하고 긴 휴장일을 건너 정산하도록 개선, 모델이 실행 날짜 이후에 제출된 공시를 읽을 수 있던 문제 수정, 포트폴리오 · 가격 · SEC 재무제표 · 보고서 관련 수정.
  • [2026-10] TradingAgents v0.7.0 공개: 내 ChatGPT Plus 또는 Pro 요금제로 실행, 각 결정 다음 첫 종가부터 채점하는 백테스트, 시작할 때 새 버전이 있으면 알려 주는 안내, GitHub 릴리스마다 wheel 파일 첨부.

지난 소식

  • [2026-10] TradingAgents v0.6.0 공개: 보고서를 HTML 한 페이지로 저장, 모델 등급마다 다른 서비스를 지정해 매니저와 분석가를 서로 다른 모델로 실행, 분석가가 일하는 동안 모든 종목의 지난 결정을 정산, 야후 뉴스 피드가 멈춘 동안 야후 검색에서 기업 뉴스를 읽기.
  • [2026-09] TradingAgents v0.5.2 공개: 분석가를 병렬로 돌려 더 빠른 분석, --ticker · --date 같은 플래그만으로 질문 없이 도는 CLI, 모든 보고서에 실행 설정 기록, 각 분석 날짜까지 공개된 데이터만 보는 백테스트.
  • [2026-09] TradingAgents v0.5.1 공개: 모듈이 담는 내용에 따라 정리한 패키지 구조(가져오기 경로 변경), 소셜 게시글을 Jev로 거르는 선택 기능, 기본 모델로 GPT-6 Sol · Luna, 실행 격리와 SEC EDGAR 재무제표 수정.
  • [2026-09] TradingAgents v0.5.0 공개: 날짜가 있는 모든 경로의 시점 무결성, 공시된 그대로 제공하는 SEC EDGAR 재무 데이터, 종목 × 날짜 격자 백테스트, 포트폴리오를 아는 실행, 모든 서비스의 최신 모델 목록.
  • [2026-08] TradingAgents v0.4.0 공개: FRED 거시 지표 · 소셜 심리 · 결정 로그 메모리의 미래 정보 누출(시점) 수정, 더 분명한 결정 신호, 동작하는 CLI 체크포인트 재개, 트레이더 가격 근거 확인, GPT-5.6 · GLM-5.3 모델.
  • [2026-07] TradingAgents v0.3.1 공개: 정확성 · 안정성 수정(Alpha Vantage 미래 정보 필터, 그래프 라우터 충돌 방지, 그래프 모양을 아는 체크포인트 재개, 동작하는 암호화폐 심리 소스, 설정 가능한 LLM 재시도 횟수, Bedrock API 키 인증, Claude Sonnet 5 / Fable 5 지원).
  • [2026-06] TradingAgents v0.3.0 공개: 검증된 데이터 접근 규약, 넓어진 서비스 목록(NVIDIA · Kimi · Groq · Mistral · Bedrock · 모든 OpenAI 호환 엔드포인트), FRED · Polymarket 데이터 공급처, 최신 모델 목록, CI 관문.
  • [2026-05] TradingAgents v0.2.5 공개: 근거 있는 심리 분석가, GPT-5.5 등 모델 지원, Qwen/GLM/MiniMax 두 지역 지원, TRADINGAGENTS_* 환경 변수 설정과 API 키 자동 감지, 원격 Ollama 지원, 미국 외 알파 벤치마크, 종목 경로 조작 방어 강화.
  • [2026-04] TradingAgents v0.2.4 공개: 구조화 출력 에이전트(리서치 매니저 · 트레이더 · 포트폴리오 매니저), LangGraph 체크포인트 재개, 지속되는 결정 로그, DeepSeek/Qwen/GLM/Azure 지원, Docker, Windows UTF-8 인코딩 수정.
  • [2026-03] TradingAgents v0.2.3 공개: 다국어 지원, GPT-5.4 계열 모델, 통합 모델 목록, 백테스트 날짜 정확도, 프록시 지원.
  • [2026-03] TradingAgents v0.2.2 공개: GPT-5.4/Gemini 3.1/Claude 4.6 모델 지원, 5단계 등급, OpenAI Responses API, Anthropic 노력 수준 조절, 플랫폼 간 안정성.
  • [2026-02] TradingAgents v0.2.0 공개: 여러 LLM 서비스 지원(GPT-5.x, Gemini 3.x, Claude 4.x, Grok 4.x)과 개선된 시스템 구조.
  • [2026-01] Trading-R1 기술 보고서 공개, 터미널은 곧 공개 예정.

🚀 TradingAgents | ⚡ 설치와 CLI | 📦 패키지 사용법 | 🤝 기여하기 | 📄 인용

🎉 TradingAgents를 정식으로 공개했습니다! 이 연구에 대해 많은 문의를 받았고, 커뮤니티의 열정에 감사드립니다.

그래서 프레임워크를 완전히 오픈소스로 공개하기로 했습니다. 여러분과 함께 의미 있는 프로젝트를 만들 수 있기를 기대합니다!

TradingAgents 프레임워크

TradingAgents는 실제 트레이딩 회사의 역학을 그대로 옮긴 멀티 에이전트 트레이딩 프레임워크입니다. 펀더멘털 분석가, 심리 전문가, 기술적 분석가부터 트레이더, 리스크 관리팀까지 LLM으로 움직이는 전문 에이전트를 배치해 시장 상황을 함께 평가하고 매매 결정에 도움을 줍니다. 에이전트들은 동적으로 토론하며 최적의 전략을 찾아냅니다.

TradingAgents 구조도

TradingAgents 프레임워크는 연구 목적으로 설계되었습니다. 트레이딩 성과는 선택한 기반 언어 모델, 모델 온도, 트레이딩 기간, 데이터 품질 등 비결정적 요소에 따라 달라질 수 있습니다. 금융 · 투자 · 트레이딩 조언이 아닙니다.

이 프레임워크는 복잡한 트레이딩 업무를 전문 역할로 나눕니다.

분석가 팀

  • 펀더멘털 분석가: 기업 재무와 성과 지표를 평가해 내재 가치와 잠재 위험 신호를 찾습니다.
  • 심리 분석가: 뉴스 헤드라인 · StockTwits · Reddit 글을 하나의 심리 판독으로 모아 단기 시장 분위기를 가늠합니다.
  • 뉴스 분석가: 전 세계 뉴스와 거시 경제 지표를 살피며 사건이 시장에 주는 영향을 해석합니다.
  • 기술적 분석가: MACD · RSI 같은 기술 지표로 매매 패턴을 찾고 가격 움직임을 예측합니다.

선택한 분석가들은 각자 자기 도구로 동시에 일하고, 모든 보고서가 모이면 연구 토론이 시작됩니다.

분석가 팀

리서처 팀

  • 강세 리서처와 약세 리서처로 이루어져 분석가 팀이 내놓은 통찰을 비판적으로 평가합니다. 구조화된 토론을 거치며 잠재 이익과 내재 위험의 균형을 맞춥니다.

리서처 팀

트레이더 에이전트

  • 분석가와 리서처의 보고서를 종합해 매매 시점과 규모를 정하는 결정을 내립니다.

트레이더 에이전트

리스크 관리와 포트폴리오 매니저

  • 시장 변동성 · 유동성 등 위험 요인을 평가해 포트폴리오 위험을 계속 점검합니다. 리스크 관리팀은 매매 전략을 평가하고 조정해 평가 보고서를 포트폴리오 매니저에게 전달해 최종 결정을 받습니다.
  • 포트폴리오 매니저가 거래 제안을 승인하거나 거절합니다. 승인되면 주문이 모의 거래소로 보내져 체결됩니다.

리스크 관리

설치와 CLI

설치

TradingAgents를 복제합니다.

git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents

TradingAgents는 Python 3.11 이상이 필요합니다. 좋아하는 환경 관리 도구로 가상환경을 만드세요.

conda create -n tradingagents python=3.13
conda activate tradingagents

또는 uv로 만듭니다.

uv venv --python 3.13
source .venv/bin/activate

패키지와 의존성을 설치합니다(uv를 쓰면 uv pip install .).

pip install .

Docker

Docker로 실행할 수도 있습니다.

cp .env.example .env  # API 키를 넣으세요
docker compose run --rm tradingagents

저장소를 업데이트한 뒤에는 docker compose build로 이미지를 다시 만드세요.

결과 · 보고서 · 메모리 로그 · 캐시는 tradingagents_data 볼륨에 쌓입니다. 호스트의 폴더에 두려면 폴더를 만들고 .env나 셸에서 TRADINGAGENTS_DATA_DIR가 그 폴더를 가리키게 하세요: mkdir -p data && TRADINGAGENTS_DATA_DIR=./data docker compose run --rm tradingagents.

Ollama로 로컬 모델을 쓰려면:

docker compose --profile ollama run --rm tradingagents-ollama

필요한 API

TradingAgents는 여러 LLM 서비스를 지원합니다. 고른 서비스의 API 키를 설정하세요.

export OPENAI_API_KEY=...          # OpenAI (GPT)
export GOOGLE_API_KEY=...          # Google (Gemini)
export ANTHROPIC_API_KEY=...       # Anthropic (Claude)
export XAI_API_KEY=...             # xAI (Grok)
export DEEPSEEK_API_KEY=...        # DeepSeek
export DASHSCOPE_API_KEY=...       # Qwen (해외, dashscope-intl.aliyuncs.com)
export DASHSCOPE_CN_API_KEY=...    # Qwen (중국, dashscope.aliyuncs.com)
export ZHIPU_API_KEY=...           # Z.AI의 GLM (해외)
export ZHIPU_CN_API_KEY=...        # BigModel의 GLM (중국, open.bigmodel.cn)
export MINIMAX_API_KEY=...         # MiniMax (글로벌, api.minimax.io)
export MINIMAX_CN_API_KEY=...      # MiniMax (중국, api.minimaxi.com)
export OPENROUTER_API_KEY=...      # OpenRouter
export MISTRAL_API_KEY=...         # Mistral
export MOONSHOT_API_KEY=...        # Kimi (Moonshot)
export GROQ_API_KEY=...            # Groq
export NVIDIA_API_KEY=...          # NVIDIA NIM
export FRED_API_KEY=...            # FRED 거시 데이터 (무료, 선택)
export ALPHA_VANTAGE_API_KEY=...   # Alpha Vantage
export TYPESAFE_API_KEY=...        # Jev 소셜 게시글 선별 (선택)

Azure OpenAI는 .env.enterprise.example을 .env.enterprise로 복사해 자격 증명을 채웁니다. Docker에서는 이 키들을 .env에 넣으세요. 이미지에는 .env 파일이 들어 있지 않습니다.

API 키 대신 ChatGPT Plus나 Pro 요금제로 실행하려면 CLI 서비스 메뉴에서 "Subscription"을 고르거나 llm_provider: "chatgpt"로 설정하세요. tradingagents login chatgpt로 한 번 로그인합니다. 브라우저에서 열 주소가 출력되고, 브라우저는 이 컴퓨터의 127.0.0.1로 돌아옵니다. 브라우저가 다른 컴퓨터에서 돌거나 TradingAgents가 Docker에서 돌면(docker compose run --rm tradingagents login chatgpt) 브라우저가 최종적으로 도착한 주소를 붙여 넣으세요. 로그인 정보는 ~/.tradingagents/chatgpt-auth.json에 보관되고, tradingagents logout chatgpt로 철회합니다. 실행은 요금제 사용 한도에 포함되며, 이 요금제는 temperature와 max_tokens를 받지 않습니다.

AWS Bedrock은 pip install ".[bedrock]"로 추가 패키지를 설치하고 llm_provider: "bedrock"으로 설정한 뒤 AWS 자격 증명(환경 변수, ~/.aws/credentials, IAM 역할)과 AWS_DEFAULT_REGION을 설정하고 Bedrock 모델 ID(예: us.anthropic.claude-opus-5-5)를 쓰세요.

로컬 모델은 llm_provider: "ollama"로 Ollama를 설정하세요. 기본 엔드포인트는 http://localhost:11434/v1이고, 원격 ollama-serve를 쓰려면 OLLAMA_BASE_URL을 지정합니다. 모델은 ollama pull로 받고, 기본 목록에 없는 모델은 CLI에서 "Custom model ID"를 고르세요.

그 밖의 OpenAI 호환 서버(vLLM, LM Studio, llama.cpp, 직접 만든 중계 서버)는 llm_provider: "openai_compatible"로 설정하고 backend_url(또는 TRADINGAGENTS_LLM_BACKEND_URL)로 엔드포인트를 지정하세요. 예: vLLM은 http://localhost:8000/v1, LM Studio는 http://localhost:1234/v1. 모델은 서버가 제공하는 것을 씁니다. 로컬 서버는 키가 필요 없고, 엔드포인트가 요구하면 OPENAI_COMPATIBLE_API_KEY를 설정하세요.

TYPESAFE_API_KEY를 설정하면 심리 분석가가 StockTwits · Reddit 글을 읽기 전에 TypeSafe의 Jev로 거릅니다. 회사와 관련 없는 글은 버려지고, 각 출처는 남은 글의 입장(강세 · 약세 · 중립 · 불분명) 수로 시작합니다. 키가 없으면 글이 거르지 않고 그대로 전달됩니다. jev-latest는 새 릴리스에 따라 바뀌므로 TYPESAFE_DEFAULT_MODEL을 jev-1.13.0 같은 버전 ID로 지정하면 실행마다 고정됩니다. OpenRouter로 Jev를 쓰려면 TYPESAFE_API_KEY에 OpenRouter 키를 넣고 TYPESAFE_BASE_URL=https://openrouter.ai/api를 설정하세요.

또는 .env.example을 .env로 복사해 키를 채웁니다.

cp .env.example .env

CLI 사용법

대화형 CLI를 실행합니다.

tradingagents          # 설치된 명령
python -m cli.main     # 대안: 소스에서 바로 실행

종목, 분석 날짜, LLM 서비스, 연구 깊이 등을 고르는 화면이 나옵니다. 이전 실행의 답이 기본값으로 돌아와 Enter만 눌러도 됩니다. .env의 TRADINGAGENTS_* 변수는 해당 단계를 아예 건너뜁니다.

예약 작업이나 스크립트처럼 질문 없이 실행하려면 실행마다 달라지는 단계는 플래그로, 나머지는 TRADINGAGENTS_* 변수로 답하세요.

export TRADINGAGENTS_LLM_PROVIDER=openai TRADINGAGENTS_QUICK_THINK_LLM=gpt-6-luna TRADINGAGENTS_DEEP_THINK_LLM=gpt-6-sol
export TRADINGAGENTS_OUTPUT_LANGUAGE=English TRADINGAGENTS_MAX_DEBATE_ROUNDS=1 TRADINGAGENTS_MAX_RISK_ROUNDS=1
tradingagents --ticker NVDA --date 2026-09-23 --analysts market,news,fundamentals --save --no-show

각 플래그는 자기 질문만 건너뜁니다. 터미널 없이 실행했는데 답이 빠지면 실행이 시작되기 전에 멈추고 설정해야 할 플래그나 변수를 알려 줍니다.

대화형 CLI는 시작할 때 새 릴리스와 Tauric Research의 공지를 알려 줍니다. 하루에 많아야 한 번 백그라운드에서 확인하고, 실행에 관한 정보는 보내지 않습니다. 끄려면 TRADINGAGENTS_NO_UPDATE_CHECK=1을 설정하세요. 터미널 없이 실행할 때는 확인하지 않습니다.

저장된 보고서에는 complete_report.html도 들어 있습니다. 본문 옆에 절 목록이 붙은 한 페이지로, 브라우저 · 휴대폰 · 인쇄로 읽기 좋습니다. 저장 질문에 답할 때 이 페이지에 대해서도 묻고 브라우저로 열 수 있습니다. --no-html로 건너뛸 수 있고, 파이썬에서는 ta.save_reports(state, "NVDA", html=False)로 건너뜁니다.

시장과 종목 코드

TradingAgents는 야후 파이낸스가 다루는 모든 시장에서 거래소 접미사가 붙은 종목 코드로 동작합니다. 회사 정보와 알파 벤치마크는 시장별로 자동으로 정해집니다.

  • 미국: AAPL, SPY
  • 홍콩: 0700.HK · 도쿄: 7203.T · 런던: AZN.L
  • 인도: RELIANCE.NS, .BO · 캐나다: .TO · 호주: .AX
  • 중국 A주: 상하이 .SS, 선전 .SZ (예: 구이저우 마오타이 600519.SS)
  • 암호화폐: BTC-USD, ETH-USD

CLI 시작 화면

결과가 로드되는 대로 보여 주는 화면이 나타나 에이전트가 일하는 진행 상황을 따라갈 수 있습니다.

CLI 뉴스 분석 화면

CLI 거래 결정 화면

TradingAgents 패키지

구현 세부 사항

TradingAgents는 유연성과 모듈성을 위해 LangGraph로 만들었습니다. 지원하는 LLM 서비스는 OpenAI, Google, Anthropic, xAI, DeepSeek, Qwen(알리바바 DashScope 해외 · 중국 엔드포인트), GLM(Zhipu), MiniMax(글로벌 + 중국), OpenRouter, 로컬 모델용 Ollama, 기업용 Azure OpenAI, 그리고 내 ChatGPT 요금제입니다.

파이썬 사용법

코드 안에서 TradingAgents를 쓰려면 tradingagents 모듈을 가져와 TradingAgentsGraph() 객체를 만듭니다. .propagate() 함수가 결정을 돌려줍니다. main.py를 실행해도 되고, 간단한 예시는 다음과 같습니다.

from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG

ta = TradingAgentsGraph(debug=True, config=DEFAULT_CONFIG.copy())

# forward propagate
state, decision = ta.propagate("NVDA", "2026-09-01")
print(decision)

# CLI가 저장하는 것과 같은 보고서 트리, results_dir/reports 아래
ta.save_reports(state, "NVDA")

기본 설정을 바꿔 LLM과 토론 횟수 등을 직접 정할 수도 있습니다.

from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG

config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "openai"        # e.g. openai, google, anthropic, deepseek, groq, ollama; openai_compatible covers any OpenAI-compatible endpoint (vLLM, LM Studio, llama.cpp, ...)
config["deep_think_llm"] = "gpt-6-sol"    # Model for complex reasoning
config["quick_think_llm"] = "gpt-6-luna"   # Model for quick tasks
config["max_debate_rounds"] = 2

ta = TradingAgentsGraph(debug=True, config=config)
_, decision = ta.propagate("NVDA", "2026-09-01")
print(decision)

빠른 모델은 분석가 · 리서처 · 토론자 · 트레이더가 쓰고, 깊은 사고 모델은 리서치 매니저와 포트폴리오 매니저가 씁니다. 각 등급은 서로 다른 서비스에서 돌릴 수 있습니다. 예를 들어 매니저는 Claude, 나머지는 OpenAI로 돌립니다.

config["deep_think_provider"] = "anthropic"
config["deep_think_llm"] = "claude-opus-5-5"

별도 서비스를 쓰는 등급은 그 서비스의 키와 기본 엔드포인트를 씁니다. 로컬이나 중계 엔드포인트는 quick_think_backend_url 또는 deep_think_backend_url로 지정하세요. TRADINGAGENTS_DEEP_THINK_PROVIDER와 TRADINGAGENTS_QUICK_THINK_PROVIDER 변수는 등급의 모델 변수와 함께 CLI용으로 설정합니다.

모든 설정 옵션은 tradingagents/default_config.py를 보세요.

공시된 그대로의 재무 데이터

미국 기업의 재무제표는 모든 수치가 공시된 날짜를 기록하는 SEC EDGAR에서 가져옵니다. 과거 날짜로 실행하면 그날 당시 그대로의 재무제표를 읽습니다. 회계연도가 끝났지만 아직 공시되지 않았다면 제공하지 않고, 나중에 수정된 수치도 처음 보고된 값으로 읽습니다. 애플의 2008년 총자산은 396억 달러로 공시되었다가 2010년에 362억 달러로 수정되었습니다. 그 사이 날짜로 실행하면 396억 달러로 읽습니다. EDGAR는 계정이나 API 키가 필요 없습니다.

다른 기업의 재무제표는 야후 파이낸스에서 가져옵니다. 야후는 공시일이 아니라 해당 기간으로 재무제표 날짜를 매기므로, 오늘 날짜로 실행하면 읽고 과거 날짜로 실행하면 제공하지 않는다고 알려 줍니다. 그 시점에 어떤 수치가 공개되었는지 야후가 알려 줄 수 없기 때문입니다.

내부자 거래는 공시일이 아니라 발생일로 날짜를 매기므로, 과거 날짜로 실행하면 마찬가지로 제공하지 않는다고 알려 줍니다.

SEC는 호출자가 스스로를 밝히기를 요구하고 연락 주소가 없는 요청은 거부하므로 기본 주소를 보냅니다. SEC가 프로젝트가 아닌 여러분에게 연락할 수 있게 직접 설정하세요.

SEC_EDGAR_USER_AGENT="Your Name your@email.com"

SEC에 보고하는 기업(미국에 상장한 외국 기업 포함)을 다룹니다. 홍콩이나 A주 상장처럼 그 밖의 기업은 체인의 다음 공급처로 넘어갑니다. EDGAR의 기계 판독 공시는 2009년부터 시작하고, 4분기는 공시자가 연간 수치 안에서만 공개하므로 계산해 내지 않고 이용할 수 없다고 보고합니다.

현재 보유 종목

기본적으로 에이전트는 내가 무엇을 보유했는지 모르므로, 조언은 자기 포지션에 적용하는 독자를 기준으로 쓰입니다. 포트폴리오를 넘기면 트레이더 · 리스크 분석가 · 포트폴리오 매니저가 실제 보유 내역을 기준으로 일합니다.

from tradingagents.portfolio import PortfolioContext

portfolio = PortfolioContext.model_validate({
    "cash": 25000.0,
    "currency": "USD",
    "positions": [{"ticker": "NVDA", "quantity": 120, "average_price": 150.0}],
})
_, decision = ta.propagate("NVDA", "2026-09-01", portfolio=portfolio)

CLI에서는 같은 내용을 JSON 파일로 넘깁니다: tradingagents --portfolio my_book.json.

positions가 빈 목록이면 보유가 없는 상태를 뜻하고, 아무것도 넘기지 않는 것과는 다릅니다. 포트폴리오 없이 실행한 경우는 보유가 없다고 보지 않습니다.

저장과 복구

TradingAgents는 실행 사이에 두 종류의 상태를 저장합니다.

메모리 로그

메모리 로그는 항상 켜져 있습니다. 실행이 끝날 때마다 결정이 ~/.tradingagents/memory/trading_memory.md에 추가됩니다. 이후 실행의 분석가가 일하는 동안, 보유 기간이 지난 모든 기록된 결정을 정산합니다. 실현 수익률(원 수익률과 해당 상품의 지역 벤치마크 대비 알파)을 가져오고 한 문단짜리 반성을 만듭니다. 그러면 포트폴리오 매니저가 같은 종목의 최근 결정과 다른 종목에서 얻은 최근 교훈을 읽으므로, 매 분석이 무엇이 통했고 무엇이 아니었는지를 이어받습니다. 정산이 실패해도 실행은 계속되고 보고서가 그 사실을 알려 줍니다.

경로는 TRADINGAGENTS_MEMORY_LOG_PATH로 바꿉니다.

분석 없이 결정만 정산하려면(예약 작업용) ta.settle_all_pending()을 호출하세요. 정산한 결정과 정산하지 못한 결정을 돌려줍니다.

체크포인트 재개

체크포인트 재개는 --checkpoint로 켜는 선택 기능입니다. 켜면 LangGraph가 각 노드 뒤에 상태를 저장해, 멈추거나 중단된 실행이 처음부터가 아니라 마지막으로 성공한 단계에서 이어집니다. 실행 화면은 저장된 실행을 이어받았는지 새로 시작했는지 알려 줍니다. 체크포인트는 성공적으로 끝나면 자동으로 지워집니다.

종목별 SQLite 데이터베이스는 ~/.tradingagents/cache/checkpoints/<ticker>.db에 있습니다(기본 위치는 TRADINGAGENTS_CACHE_DIR로 바꿉니다). 실행 전에 모두 초기화하려면 --clear-checkpoints를 쓰세요.

tradingagents --checkpoint           # 이번 실행에서 켜기
tradingagents --clear-checkpoints    # 실행 전에 초기화
config = DEFAULT_CONFIG.copy()
config["checkpoint_enabled"] = True
ta = TradingAgentsGraph(config=config)
_, decision = ta.propagate("NVDA", "2026-09-01")

시간에 따른 결정 평가

한 번의 실행은 결정 하나를 줄 뿐이라 시스템이 잘 결정하는지 알려 주지 못합니다. run_backtest는 같은 파이프라인을 종목과 날짜의 격자에 걸쳐 돌리고, 자기만의 메모리 로그에 기록하며, 보유 기간이 이미 지난 결정을 채점합니다.

from tradingagents.backtest import iter_grid, run_backtest, summarize

dates = iter_grid("2026-06-01", "2026-08-01", every_n_days=7)
result = run_backtest(["NVDA", "AAPL"], dates, config, selected_analysts=["market", "news"])
print(summarize(result).render())

CLI에서는:

tradingagents backtest NVDA,AAPL --start 2026-06-01 --end 2026-08-01 --every 7

각 칸은 해당 상품의 지역 벤치마크 대비 실현 알파로 채점되고 등급별로 묶입니다. 실행이 그날 장 마감 이후에 나온 뉴스를 읽기 때문에, 결정은 그 날짜 다음 첫 종가에 진입한 것으로 봅니다. 내 메모리 로그에는 절대 쓰지 않으며, run_id=result.run_id로 같은 격자를 다시 돌리면 이미 끝난 칸은 건너뛰므로 중단된 탐색이 멈춘 곳에서 이어집니다.

재현성

TradingAgents는 LLM으로 움직이므로 같은 종목 · 같은 날짜로 두 번 실행해도 결과가 다를 수 있습니다. 언어 모델 기반 연구 도구에서는 결함이 아니라 예상된 동작입니다. 변동은 몇 가지 서로 다른 원인에서 오며, 구분해서 보면 도움이 됩니다.

언어 모델의 샘플링은 비결정적입니다. 온도를 고정해도 서비스가 호출마다 바이트 단위로 같은 출력을 보장하지 않으며, 내부 추론 자체가 샘플링되는 추론 모델(기본 GPT-6 계열과 모든 사고 모드 모델)이 가장 많이 달라집니다.

실시간 데이터는 움직입니다. 뉴스 · StockTwits · Reddit은 시간이 지나면 다른 내용을 돌려주므로, 같은 과거 거래일이어도 오늘 실행하면 지난주 실행과 입력이 다릅니다. 분석 날짜를 고정하면 가격과 지표 구간은 고정되지만 소셜과 뉴스 출처는 여전히 "지금"을 반영합니다.

변동을 줄이려면 샘플링 온도를 낮출 수 있습니다. 설정의 temperature(또는 .env의 TRADINGAGENTS_TEMPERATURE)를 지정하세요. 값이 낮을수록 온도를 따르는 모델의 재현성이 높아집니다. 지금 고른 모델 목록은 추론 중심이라 온도를 대부분 무시하므로, 더 엄밀한 재현성이 필요하면 설정이나 TRADINGAGENTS_DEEP_THINK_LLM, TRADINGAGENTS_QUICK_THINK_LLM에 비추론 모델을 지정하세요. 선택기에 없는 모델이라도 서비스가 제공하는 모델 ID라면 받아들입니다.

config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "openai"
config["temperature"] = 0.0
# Reasoning models ignore temperature. For tighter reproducibility, name a
# non-reasoning model in deep_think_llm / quick_think_llm.

더 이상 달라지지 않는 것: 분석하는 회사의 신원은 어떤 에이전트가 실행되기 전에 종목 코드로 결정적으로 정해지고, 시장 분석가는 정확한 가격과 지표 주장을 검증된 데이터 스냅샷에 근거해 말합니다. "실행마다 다른 회사"나 지어낸 가격 수준이 나온다는 이전 보고는 이 두 장치로 해결되었습니다.

백테스트 결과가 공개된 어떤 수치와도 일치한다고 보장하지 않습니다. 수익은 모델 · 온도 · 날짜 범위 · 데이터 품질 · 위의 샘플링에 따라 달라집니다. 이 프레임워크는 고정되고 재현 가능한 수익을 내는 전략이 아니라, 멀티 에이전트 분석을 연구하기 위한 실험 틀로 보세요.

기여하기

버그 수정, 문서, 기능 아이디어 등 기여를 환영합니다. 지난 기여는 CHANGELOG.md에 릴리스별로 기록됩니다.

인용

TradingAgents가 도움이 되었다면 저희 연구를 인용해 주세요 :)

@misc{xiao2025tradingagentsmultiagentsllmfinancial,
      title={TradingAgents: Multi-Agents LLM Financial Trading Framework}, 
      author={Yijia Xiao and Edward Sun and Di Luo and Wei Wang},
      year={2025},
      eprint={2412.20138},
      archivePrefix={arXiv},
      primaryClass={q-fin.TR},
      url={https://arxiv.org/abs/2412.20138}, 
}

⚠️ 투자 안내 이 소개는 오픈소스 도구를 알리기 위한 글이며 투자 권유가 아닙니다. 이 도구가 내놓은 결과를 따른 매매의 손실 책임은 사용자에게 있습니다.

저장소: TauricResearch/TradingAgents · 라이선스: Apache-2.0

평점

–평가 0개 기준
5점
0
4점
0
3점
0
2점
0
1점
0