LLM 트레이딩 전략의 현실과 한계: 벤치마크가 말하는 불편한 진실

LLM은 트레이딩에서 만능인가

2022년부터 2025년 사이 84편 이상의 LLM 주식투자 연구가 발표되었다(Frontiers in AI 서베이). TradingAgents는 3종목 3개월 백테스트에서 Sharpe 8.21을 기록했고, MarketSenseAI 2.0은 S&P100 2년간 +125.9% 수익률을 보고했다. 이런 결과만 보면 LLM이 시장을 정복한 것 같지만, 체계적 장기 벤치마크는 전혀 다른 이야기를 한다.

LLM 투자 전략은 장기적으로 시장을 이기지 못한다. -- FINSABER (2025)

이 글에서는 불편한 벤치마크 결과부터 시작하여, LLM이 실제로 잘하는 영역, 현실적인 하이브리드 전략, 그리고 구체적인 전략 패턴과 비용 분석까지 다룬다.

벤치마크가 말하는 불편한 진실

FINSABER: 20년+ 장기 백테스트 (2025)

FINSABER(arxiv:2505.07078)는 100종목 이상, 20년 이상의 체계적 백테스트를 수행한 최초의 대규모 벤치마크다.

핵심 결론:

FINSABER의 권장 사항: 에이전트 수를 늘리기보다 추세 감지(trend detection) + 레짐 인식 리스크 관리를 우선할 것

StockBench: 현실 점검 (2025)

StockBench(arxiv:2510.02209)는 2025년 3월-7월, DJIA 20종목으로 다양한 LLM 에이전트를 비교 평가했다.

핵심 발견:

가장 중요한 교훈: 정적 금융 지식 능력(financial knowledge benchmark)이 실전 트레이딩 성과로 이어지지 않는다. LLM이 금융 시험에서 만점을 받아도 실제로 돈을 벌지 못할 수 있다.

보고된 성과 vs 현실

LLM이 실제로 잘하는 3가지

벤치마크가 보여주듯 LLM 단독 전략은 한계가 명확하다. 그렇다면 LLM은 트레이딩에서 어디에 가장 효과적인가?

뉴스/이벤트 감성분석 (가장 검증된 영역)

검증된 성과:

• GPT 기반 뉴스 감성 분석: 74.4% 방향 예측 정확도 (Springer, 2025)
• Long-Short 전략: Sharpe 3.05, 수익률 355% (2021.08-2023.07)
• FinLlama (Llama 2 기반): 감성 분류 + 강도 정량화

LLM이 잘하는 이유:

재무제표/실적발표 해석

MarketSenseAI 2.0의 접근:

• RAG(Retrieval-Augmented Generation)으로 SEC 파일링, 실적 콜 트랜스크립트 처리
• S&P100 2년간 +125.9% (지수 +73.5% 대비 52.4%p 초과)
• 핵심 성과 요인: 근거 분석 정확도 개선

LLM이 수백 페이지의 실적 보고서를 즉시 요약하고, 경영진의 어조 변화나 회피적 답변을 감지하며, 동종업계 비교 분석을 수행하는 능력은 전통적 퀀트 모델이 대체하기 어려운 영역이다.

시장 내러티브/레짐 분석

LLM은 시장의 "이야기"를 이해하는 데 탁월하다.

주요 시스템 상세 비교

아키텍처 분류

2022-2025년 LLM 트레이딩 연구는 4가지 접근 방식으로 분류된다.

TradingAgents: 트레이딩 펌 조직 모사

7가지 역할의 에이전트가 5단계 파이프라인으로 협업한다.

Analyst Team    -> Researcher Team -> Trader -> Risk Mgmt Team -> Fund Manager
(4명 병렬 분석)   (Bull/Bear 토론)   (종합)    (3관점 토론)       (최종 승인)

Q1 2024 백테스트 결과:

인상적인 수치이나, 3종목/3개월이라는 극히 좁은 범위에 주의가 필요하다.

시스템 강점/약점 요약

하이브리드 전략 아키텍처

왜 하이브리드인가

FINSABER와 StockBench의 교훈은 명확하다: LLM 단독은 불충분하다. LLM과 전통 퀀트의 강점을 결합해야 한다.

LLM은 "왜 사야 하는가"(질적 판단), 퀀트는 "언제/얼마에 사야 하는가"(양적 실행).

하이브리드 아키텍처

시그널 결합 방법

@dataclass
class HybridSignal:
    symbol: str
    timestamp: datetime
 
    # LLM 시그널 (-1.0 ~ +1.0)
    news_sentiment: float       # 뉴스 감성
    event_impact: float         # 이벤트 영향도
    narrative_score: float      # 시장 내러티브 부합도
 
    # 기술적 시그널 (-1.0 ~ +1.0)
    momentum_score: float       # MA/RSI/MACD 복합
    volume_signal: float        # 거래량 이상 감지
    support_resistance: float   # 지지/저항 근접도
 
    @property
    def combined_score(self) -> float:
        weights = {
            'news_sentiment': 0.20,
            'event_impact': 0.15,
            'narrative_score': 0.10,
            'momentum_score': 0.25,
            'volume_signal': 0.15,
            'support_resistance': 0.15,
        }
        score = sum(
            getattr(self, k) * v for k, v in weights.items()
        )
        return max(-1.0, min(1.0, score))
 
    @property
    def action(self) -> str:
        if self.combined_score > 0.3:
            return "BUY"
        elif self.combined_score < -0.3:
            return "SELL"
        return "HOLD"

LLM 시그널의 총 가중치는 45%(0.20+0.15+0.10), 기술적 시그널은 55%(0.25+0.15+0.15)다. LLM에 과도한 의존을 방지하면서도 질적 판단을 반영하는 균형점이다.

7가지 구체적 전략 패턴

전략 1: 뉴스 감성 모멘텀

LLM이 뉴스 감성을 분석하고, 감성 변화 방향과 기술적 모멘텀이 일치할 때 진입한다.

전략 2: 실적 서프라이즈 이벤트 드리븐

실적 발표 후 컨센서스 대비 서프라이즈를 LLM이 즉시 분석하고, 시장 반응 전에 포지션 진입한다.

전략 3: 섹터 로테이션 내러티브

LLM이 거시경제 내러티브와 정책 변화를 분석하여 유망 섹터를 판별한다.

전략 4: 이상 거래량 + 뉴스 이벤트 감지

정량적으로 비정상 거래량/가격 변동을 감지한 후, LLM이 관련 뉴스를 분석하여 원인을 판별한다.

전략 5: LLM 알파 팩터 마이닝

LLM이 투자 아이디어를 수학 공식 기반 알파 팩터로 변환하고, 백테스트로 검증한다. Alpha-GPT가 WorldQuant 대회에서 41,000팀 중 Top10에 든 방식이다.

전략 6: 공시/규제 변화 선제 대응

정부 정책, 규제 변화, 공시를 LLM이 실시간 모니터링하고 수혜/피해 종목을 선별한다.

전략 7: 멀티에이전트 합의

TradingAgents 방식으로 여러 전략 에이전트의 시그널을 토론+합의로 결합한다.

전략 비교 요약

비용/레이턴시 분석

작업별 비용과 레이턴시

LLM API 호출은 1-10초가 소요되므로 초단타(HFT)에는 부적합하다. 개인투자자의 스윙/포지션 트레이딩에 최적화된 운영 구조:

월간 예상 비용 (종목 20개 기준)

뉴스 감성분석:  20종목 x 8회/일 x 22일 x $0.001  = $3.52/월
이벤트 감지:    20종목 x 12회/일 x 22일 x $0.0005 = $2.64/월
일일 종합분석:  20종목 x 22일 x $0.02             = $8.80/월
주간 심층분석:  20종목 x 4주 x $0.10              = $8.00/월
실적 발표:      5건/월 x $0.03                    = $0.15/월
──────────────────────────────────────────────────
총 예상:        약 $23/월 (약 30,000원)

비용 최적화 전략

캐시 TTL 설정

CACHE_TTL = {
    'news_sentiment': 900,       # 15분
    'event_detection': 300,      # 5분
    'daily_analysis': 43200,     # 12시간
    'weekly_analysis': 604800,   # 7일
    'earnings_analysis': 86400,  # 24시간
}

LLM 모델 전략

작업 유형별 모델 배정

TradingAgents도 유사한 전략을 사용한다: Quick-Thinking에 gpt-4o-mini, Deep-Thinking에 o1-preview를 배정한다.

운영 스케줄 (한국/미국 시장)

LLM 트레이딩의 6가지 알려진 한계

필수 안전장치

SAFETY_RULES = {
    # LLM 출력 검증
    'validate_json_schema': True,
    'validate_symbol_exists': True,
    'validate_price_range': True,
 
    # 리스크 관리
    'max_single_position': 0.10,        # 종목당 최대 10%
    'max_daily_loss': 0.03,             # 일일 최대 3% 손실
    'max_llm_confidence_weight': 0.5,   # LLM 시그널 최대 가중치 50%
 
    # 인간 감독
    'require_human_approval_above': 1_000_000,
    'daily_report': True,
    'emergency_stop': True,
}

권장 구현 로드맵

Phase 1: 기반 구축 (즉시)

1. 전략 1 (뉴스 감성 모멘텀) 구현 -- 가장 검증되고 비용 효율적
2. 기존 모멘텀/기술적 분석과 LLM 감성 분석 결합
3. 월 비용 $20-30으로 시작

Phase 2: 이벤트 확장 (1-2개월)

4. 전략 2 (실적 서프라이즈) 추가 -- 분기 실적 시즌 대응
5. 전략 6 (규제 변화) 추가 -- 한국 시장 특성 활용
6. 이벤트 감지 자동화 파이프라인 구축

Phase 3: 멀티에이전트 (2-3개월)

7. 전략 7 (멀티에이전트 합의) 구현 -- TradingAgents 간소화 버전
8. Bull/Bear 토론 메커니즘 도입
9. 에이전트별 성과 추적 및 가중치 자동 조정(Meso Loop)

Phase 4: 고급 (3-6개월)

10. 전략 5 (알파 팩터 마이닝) 시도
11. 전체 전략 포트폴리오 최적화
12. 레짐 인식 로직 강화 (Macro Loop)

결론: LLM은 보조 도구이지 마법 지팡이가 아니다

벤치마크가 말하는 진실은 명확하다.

1. LLM 단독 전략은 장기적으로 시장을 이기지 못한다 (FINSABER)
2. 하락장에서 LLM은 특히 취약하다 (StockBench)
3. LLM의 진짜 강점은 비정형 데이터 해석에 있다 (뉴스, 실적, 내러티브)

따라서 현실적인 접근은 다음과 같다.

LLM은 "왜"를 판단하는 질적 분석기로 활용하고, "언제/얼마에"는 전통 퀀트 엔진에 맡기며, 둘을 하이브리드 아키텍처로 결합한다. 그리고 피드백 루프를 통해 두 엔진의 가중치를 실적 기반으로 지속 조정한다.

가장 검증된 전략(뉴스 감성 모멘텀)부터 시작하여, 월 $23 수준의 비용으로 운영하면서 점진적으로 확장하는 것이 현실적인 로드맵이다.

참고 자료

• FINSABER: Can LLM-based Financial Investing Strategies Outperform the Market in Long Run? (arxiv:2505.07078)
• StockBench: Can LLM Agents Trade Stocks Profitably? (arxiv:2510.02209)
• TradingAgents: Multi-Agents LLM Financial Trading Framework (arxiv:2412.20138)
• MarketSenseAI 2.0: Enhancing Stock Analysis through LLM Agents (arxiv:2502.00415)
• FinMem: LLM Trading Agent with Layered Memory (arxiv:2311.13743)
• Alpha-GPT: Human-AI Interactive Alpha Mining (EMNLP 2025)
• Sentiment trading with large language models (Finance Research Letters)
• Large Language Models in Equity Markets (Frontiers in AI, 2025)