1.
Risk.net가 보낸 뉴스레터.기사 제목이 눈에 들어옵니다.
Academic warns of systemic risk from AI-powered trading
유료서비스라 일부만 확인했습니다.
Trading strategies generated by large language models (LLMs) are surprisingly effective, but could introduce new systemic risks to financial markets, according to an academic study presented to European regulators last month. Research conducted by Alejandro Lopez Lira, assistant professor of finance at the University of Florida, found LLMs can “effectively function as sophisticated trading agents
EU금융규제담당자들에게 발표한 논문이라서 더 구미가 당겼습니다. 어떤 논문인지 궁금했습니다.
우선 저자인 Alejandro Lopez-Lira. 검색을 해보면 무척이나 유명한 사람인 듯 합니다. 이런저런 논문으로 상도 많이 받은 분입니다.
구글링으로 찾은 논문은 Can Large Language Models Trade? Testing Financial Theories with LLM Agents in Market Simulations입니다.
논문 서문에서 LLM의 가능성을 아래와 같이 정리합니다.
분석 결과 트레이딩 에이전트로서 LLM의 역량에 대한 세 가지 주요 결과를 확인할 수 있었습니다.
첫째, LLM은 트레이딩 전략을 효과적으로 실행할 수 있습니다. 이들은 일관되게 시장 메커니즘을 이해하고, 시장 정보를 처리하고, 가격 기대치를 형성하고, 특정 지시에 따라 거래를 실행합니다. 트레이딩 행동은 지시에 매우 민감하며 수익에 영향을 주지 않고 지시를 충실히 따릅니다. 이러한 준수는 인간 트레이더와 근본적인 차이를 강조합니다: LLM은 본질적으로 수익 극대화를 위해 최적화하는 것이 아니라 지시를 정확하게 따르기 위해 최적화합니다.
둘째, LLM은 시장 역학 관계에 의미 있게 반응합니다. 이들은 의사 결정을 내릴 때 현재 및 과거 가격, 배당금, 기타 시장 정보를 고려합니다. 그러나 시장 상황이 변하더라도 전략적 방향을 유지하며, 이로 인해 금전적 손실이 발생하더라도 지시에 따릅니다. 이처럼 전략적 일관성을 유지하면서 시장 상황에 대응하는 조합이 규칙 기반 알고리즘이나 인간 트레이더와는 다른 독특한 트레이딩 프로필을 만들어냅니다.
셋째, LLM 에이전트를 통한 시장 역학은 실제 시장과 유사하며 이론적 금융 문헌의 고전적 결과를 반영할 수 있습니다. 이러한 에이전트가 상호 작용할 때 펀더멘털 가치에 대한 가격 수렴과 같은 새로운 행동을 통해 현실적인 가격 발견과 유동성 공급을 생성합니다. 에이전트 유형 분포에 따라 시스템은 버블이나 정보 과소반응과 같은 다양한 시장 현상을 생성할 수 있습니다. 이러한 복잡한 행동은 인간 참여자를 대상으로 한 실험 대신 LLM 에이전트를 사용하여 시장 역학을 연구하는 데 잠재적인 응용 가능성을 제시합니다.
따라서 이러한 결과는 LLM 기반 시스템의 알고리즘 일관성에 대한 중요한 의문을 제기합니다. 트레이딩 에이전트는 프롬프트를 통해 구현되기 때문에 기본 언어 모델의 특성을 그대로 이어받습니다. 많은 에이전트가 유사한 기반 모델을 기반으로 하는 경우, 특정 시장 조건에 상관관계가 있는 반응을 보여 시장 불안정성을 증폭시킬 수 있는 등 구현 전반에 걸쳐 LLM 아키텍처를 표준화하면 예상치 못한 행동 패턴이 발생할 수 있습니다.
이러한 분석을 가능하게 하고 이 새로운 분야의 개발을 가속화하기 위해 저희는 세 가지 핵심 요소를 갖춘 오픈 소스 프레임워크를 제공합니다: (1) LLM 거래 에이전트를 구현하고 검증하기 위한 구조화된 프로토콜로 LLM 기반 및 기존 규칙 기반 에이전트를 모두 지원, (2) 에이전트 상호작용 테스트를 위한 현실적인 미세 구조를 갖춘 통제된 시장 환경, (3) 거래 행동 분석을 위한 종합적인 데이터 수집 시스템. 이 프레임워크는 LLM 기반 거래 시스템을 개발하는 실무자, 광범위한 LLM 도입을 예상하는 규제 당국, LLM 에이전트를 통해 시장 역학을 연구하는 연구자 등 금융 시장의 진화에 대비하는 여러 이해관계자에게 도움이 됩니다.
논문에서 분석한 Agent Type은 아래와 같습니다. 우리가 알고 있는 대부분의 유형을 포함하고 있습니다.
2.2.3 Agent Types
The framework contains diverse ready-to-use agent types that can be categorized into two main groups: LLM-based agents with natural language prompts and deterministic rule-based agents with algorithmic behaviors.
The software includes a diverse set of LLM-based agents:
• Value Investors: Focus on fundamental analysis and mean reversion
• Momentum Traders: Follow established price trends and volume patterns
• Market Makers: Provide liquidity through symmetric bid-ask spreads
• Contrarian Traders: Trade against market extremes and overreactions
• Speculators: Seek to profit from market inefficiencies
• Sentiment-Based Agents: Include optimistic and pessimistic variants with biased expectations
• Retail Traders: Simulate typical individual investor behavior
The software also includes a set of deterministic rule-based agents that serve as benchmarks and control conditions:
• Directional Traders: Always-buy, always-sell, and always-hold agents
• Technical Agents: Gap traders, mean reversion traders, and momentum traders
• Algorithmic Market Makers: Implement fixed spread-posting strategies
마지막 결론입니다.
이 논문에서는 대형 언어 모델이 시장 상황에 적응하면서 전략적 일관성을 유지하는 동시에 가치 투자자부터 시장 조성자까지 다양한 트레이딩 에이전트로서 효과적으로 기능할 수 있음을 보여줍니다. 실험 프레임워크는 이들의 상호작용이 가격 거품과 조정과 같은 현상을 포함한 현실적인 시장 역학을 생성한다는 것을 보여주며, 금융 시장에 LLM 에이전트를 배치할 때의 능력과 잠재적 위험을 모두 강조합니다.
이러한 연구 결과는 시장 구조와 규제에 중요한 시사점을 담고 있습니다. LLM 에이전트는 가격 발견과 유동성을 향상시킬 수 있지만, 시뮬레이션 버블 시나리오에서 관찰된 것처럼 프로그램된 전략, 심지어 프롬프트에서 파생된 잠재적 결함이 있는 전략을 고수하면 시장 변동성을 증폭시키거나 새로운 시스템적 위험을 초래할 수 있습니다. 핵심적인 우려는 광범위한 상관관계가 있는 행동의 가능성입니다. 유사한 프롬프트나 시장 신호에 일률적으로 반응하는 유사한 기본 LLM 아키텍처가 명시적인 조정 없이 의도치 않게 불안정한 거래 패턴을 만들 수 있습니다. 이는 라이브 배포 전에 LLM 기반 트레이딩 시스템에 대한 엄격한 테스트와 검증의 필요성(
)을 강조합니다.이 작업의 핵심은 오픈소스 시뮬레이션 프레임워크 자체로, LLM 트레이딩 에이전트에 대한 연구를 촉진하기 위해 설계되었습니다. 연구 커뮤니티가 이 플랫폼을 활용하고 확장하여 빠르게 진화하는 이 분야의 시급한 문제를 조사해 주시기 바랍니다. 이 프레임워크는 하이브리드 인간-LLM 시장, 스트레스 테스트, 다양한 시장 구조, 규제 영향, LLM 촉발의 뉘앙스 등 다른 방법으로는 연구하기 어렵거나 비용이 많이 드는 복잡한 시나리오를 체계적으로 탐구할 수 있게 해줍니다. 이 도구를 사용해 조사할 수 있는 구체적인 분야로는 새로운 트레이딩 전략의 출현, 에이전트 이질성이 시장 안정성에 미치는 정확한 영향, AI 트레이더를 위한 강력한 검증 프로토콜 개발 등이 있습니다. 인공지능이 금융에 더욱 통합됨에 따라 이와 같은 적응형 시뮬레이션 환경을 활용한 공동 연구는 트레이딩의 미래를 이해하고 책임감 있게 형성하는 데 매우 중요할 것입니다.
2.
아래는 Alejandro Lopez-Lira가 쓴 논문입니다. LLM과 금융을 주제로 연구를 꾸준히 하시네요.
The Memorization Problem: Can We Trust LLMs’ Economic Forecasts?
Bridging Language Models and Financial Analysis
Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models
