TradingAgents로 AI 투자 분석 자동화 — Hermes와 연동까지

게시 2026/05/17

By Jongin Kim

27 분읽는 시간

TL;DR — TradingAgents는 실제 트레이딩 펌의 협업 구조를 LLM 에이전트로 시뮬레이션하는 오픈소스 프레임워크다. 7개 전문 에이전트가 5단계 파이프라인으로 분석→토론→결정을 내리고, Z.AI GLM 모델로 한국어 분석까지 가능하다. 여기에 Hermes Agent 크론잡을 연동하면 매일 아침 자동 분석 결과를 텔레그램으로 받아볼 수 있다.

주의: 이 글은 기술 리뷰이며 투자 조언이 아닙니다. 모든 투자에는 리스크가 따릅니다.

1. 백엔드 개발자가 AI 투자 도구를 써보다

백엔드 개발을 주로 하는 내가 주식 분석에 AI를 쓰기 시작한 건 단순한 호기심 때문이었다. “LLM이 투자 분석을 진짜로 잘할까?”라는 의문. 구글링하다 발견한 게 TradingAgents — UCLA 연구진이 만든 오픈소스 멀티 에이전트 트레이딩 프레임워크.

GitHub 스타 76k+, Apache-2.0 라이선스. 그냥 LLM에게 “이 주식 어때?”라고 묻는 게 아니라, 실제 트레이딩 펌의 조직 구조를 에이전트로 모사하는 게 포인트였다. 기술적 분석가, 심리 분석가, 뉴스 분석가, 펀더멘털 분석가가 각자 리포트를 작성하고, Bull/Bear 리서처가 토론하고, 트레이더가 종합하고, 리스크 관리팀이 검토하고, 포트폴리오 매니저가 최종 승인하는 구조.

“이건 한 번 돌려봐야겠다” 싶었다.

2. TradingAgents 아키텍처

5단계 파이프라인

flowchart LR
    subgraph Stage1["Stage I: 분석가 팀"]
        A1["펀더멘털\n분석가"]
        A2["센티먼트\n분석가"]
        A3["뉴스\n분석가"]
        A4["기술적\n분석가"]
    end

    subgraph Stage2["Stage II: 리서처 토론"]
        B1["Bull\nResearcher"]
        B2["Bear\nResearcher"]
    end

    subgraph Stage3["Stage III: 트레이더"]
        C["Trader\nAgent"]
    end

    subgraph Stage4["Stage IV: 리스크 관리"]
        D["Risk Management\nTeam"]
    end

    subgraph Stage5["Stage V: 최종 승인"]
        E["Portfolio\nManager"]
    end

    Stage1 -->|"구조화 리포트"| Stage2
    Stage2 -->|"토론 결과"| Stage3
    Stage3 -->|"거래 제안"| Stage4
    Stage4 -->|"리스크 조정"| Stage5

    style Stage1 fill:#e7f5ff,stroke:#1971c2
    style Stage2 fill:#fff3bf,stroke:#e67700
    style Stage3 fill:#d3f9d8,stroke:#2f9e44
    style Stage4 fill:#ffe3e3,stroke:#c92a2a
    style Stage5 fill:#d0bfff,stroke:#5f3dc4

7개 전문 에이전트 역할

각 에이전트는 독립된 LLM 세션으로, 전문 시스템 프롬프트와 전용 도구를 갖는다.

팀	에이전트	역할	사용 도구
분석가	Fundamentals Analyst	재무제표, 내재가치, 레드플래그	`get_fundamentals`, `get_balance_sheet`
분석가	Sentiment Analyst	소셜미디어 여론, 공개 심리	Yahoo News, StockTwits, Reddit
분석가	News Analyst	글로벌 뉴스, 거시경제	`get_news`, `get_global_news`
분석가	Technical Analyst	MACD, RSI 등 60개+ 지표	`get_indicators`, 코드 실행
리서처	Bull / Bear Researchers	강세/약세 관점 구조화 토론	분석가 리포트 기반
실행	Trader Agent	리포트 종합 → 매매 결정	ReAct 프롬프팅
리스크	Risk Management Team	공격/중립/보수 3관점 논의	n라운드 토론
승인	Portfolio Manager	최종 5-tier 승인/거부	구조화 출력

하이브리드 통신 방식

이 프레임워크의 핵심 설계 결정 중 하나가 구조화 출력 + 자연어 토론의 하이브리드다.

구조화 출력 (Structured Output): 분석가 리포트, 트레이더 결정, PM 최종 판단 → Pydantic 스키마 기반. 정보 손실 최소화, 타입 안전
자연어 토론: Bull/Bear 리서처, 리스크 관리팀 → n라운드 자유 대화. 균형 잡힌 관점 도출

기존 시스템들이 자연어만 쓰면 “전화 게임” 효과로 정보가 왜곡되는 문제를 이렇게 해결했다.

3. 설치 & 설정

클론 & 환경 구축

  
# 저장소 클론
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents

# Python 3.13 가상환경 (uv 사용)
uv venv .venv --python 3.13
source .venv/bin/activate

# 의존성 설치
pip install .

.env 설정 — Z.AI GLM 모델

OpenAI를 안 쓰고 Z.AI GLM을 선택한 이유는 간단하다. 한국어 성능이 좋고, API 가격이 합리적이며, glm-5.1 모델의 추론 능력이 충분하기 때문.

  
# .env 파일
ZHIPU_API_KEY=your_zhipu_api_key_here
TRADINGAGENTS_LLM_PROVIDER=glm
TRADINGAGENTS_DEEP_THINK_LLM=glm-5.1
TRADINGAGENTS_QUICK_THINK_LLM=glm-4.5-air
TRADINGAGENTS_OUTPUT_LANGUAGE=Korean

핵심: 2단계 모델 전략

TradingAgents는 두 가지 LLM을 전략적으로 분리해서 사용한다:

작업 유형	모델	용도
deep_think	`glm-5.1`	분석가 보고서, Bull/Bear 토론, 리스크 토론, PM 결정
quick_think	`glm-4.5-air`	데이터 요약, 표→텍스트 변환, API 호출 결과 처리

중요: deep_think_llm에는 반드시 강력한 모델을 써야 한다. 여기서 내리는 결정이 최종 투자 판단의 근거가 되기 때문이다. glm-5.1은 복잡한 금융 추론을 안정적으로 수행했다.

4. 실제 분석 결과

CLI 실행 통계 — 2026-05-18 NVDA 분석

2단계 모델 전략(GLM-4.5-Air + GLM-5.1)으로 실제 NVDA 분석을 CLI에서 실행했다.

항목	값
완료 에이전트	12/12 (100%)
소요 시간	15분 27초
Input Tokens	198.2k
Output Tokens	28.6k
LLM 호출	26회
Tool 호출	15회
생성 리포트	7/7

한 종목당 약 $0.1~$0.3 (GLM API 기준). quick-thinking을 GLM-4.5-Air로 낮추면 비용을 절반 수준으로 줄일 수 있다.

NVDA 분석: OVERWEIGHT (BUY)

첫 테스트는 NVDA. 2026년 5월 18일 기준으로 CLI에서 분석을 돌렸다.

  
cd ~/Documents/TradingAgents
source .venv/bin/activate
tradingagents  # 또는 python -m cli.main

각 에이전트가 분석한 내용:

에이전트	분석 내용
기술적 분석가	MACD 골든크로스 9.33, RSI 64.66 (과매수 아님), 50/200일 이동평균 골든크로스
센티먼트 분석가	Reddit/StockTwits 긍정 비율 72%, AI 반도체 수요 낙관론 지속
뉴스 분석가	하이퍼스케일러 CapEx 가이던스 강력, CME AI 컴퓨팅 선물 출시로 수요 현실성 확인
펀더멘털 분석가	순이익률 55.6%, 영업이익률 65.0%, Forward PER 19.71, PEG 0.72 (성장률 대비 합리적)

Bull/Bear 토론 결과 Bull 관점이 우세했고, 최종 결정은 OVERWEIGHT (BUY).

최종 투자 제안 상세

항목	값
등급	Overweight
포트폴리오 비중	7%
1차 진입가	$210
손절매	$170
목표가	$240~$250
투자 기간	6~12개월

강세 테제 (수용):

AI 컴퓨트 수요는 거품이 아닌 구조적 슈퍼사이클 — 하이퍼스케일러 CapEx, CME AI 선물 출시
CUDA 생태계 = 전환비용 해자 — Cerebras/인텔 도전은 니치에 국한
재무 건전성: 순이익률 55.6%, 분기 현금흐름 $349억
기술적: 50/200일 골든크로스 + MACD 9.33 = 구조적 상승 추세

약세 테제 (수용, 분할 매수로 대응):

PER 46.08은 역사적 고점, RSI 64.66 과매수 근접
10년물 4.63% + 유가 $110 = 매크로 헤드윈드
5월 20일 실적 발표 — 과거 5~8% 조정 패턴 있음 → 전량 진입은 비합리적
소매 강세 포지셔닝 57% vs 17% = 반대 지표 가능성

Rate Limit 문제와 해결 (실제 경험)

GLM API를 쓰면서 가장 자주 만난 문제는 Rate Limit (429 Too Many Requests). TradingAgents는 한 번 분석에 7개 에이전트가 각각 여러 번 LLM을 호출한다. 한 종목당 API 호출이 20~30회.

1차 시도 — 실패: GLM-5-Turbo를 quick-thinking으로 사용했더니 Market Analyst에서 Rate Limit 걸려 전체 중단.

2차 시도 — 성공: quick-thinking을 GLM-4.5-Air로 변경 후 정상 완료.

해결책:

Quick-thinking에 가벼운 모델 사용 — GLM-4.5-Air로 Rate Limit 대폭 감소. 데이터 요약/표 변환은 가벼운 모델로 충분
max_debate_rounds=1 유지 — 토론 라운드를 늘리면 API 호출이 기하급수적으로 증가
종목 간 30초 대기 — 다종목 분석 시 연속 호출 방지

핵심: deep-thinking(GLM-5.1)은 절대 타협하지 마라. 분석가 리포트와 PM 결정의 품질이 여기서 결정된다. 대신 quick-thinking을 최적화하는 게 정답이다.

5. CLI로 실행하기 — Interactive TUI

TradingAgents에는 공식 CLI가 포함되어 있다. Python 스크립트로 실행하는 방식보다 훨씬 시각적으로 좋고, 실시간 진행 상황을 모니터링할 수 있다.

실행 방법

cd ~/Documents/TradingAgents
source .venv/bin/activate
tradingagents

또는 소스에서 직접:

python -m cli.main

8단계 인터랙티브 설정

실행하면 Rich 기반 TUI가 나타나고, 화살표/스페이스/엔터로 설정을 선택한다:

┌─────────────────────────────────────────────────────────────┐
│                  Welcome to TradingAgents                    │
│                                                             │
│   TradingAgents: Multi-Agents LLM Financial Trading         │
│                    Framework - CLI                           │
│                                                             │
│   Workflow Steps:                                           │
│   I. Analyst Team → II. Research Team → III. Trader         │
│        → IV. Risk Management → V. Portfolio Management      │
└─────────────────────────────────────────────────────────────┘

? Ticker Symbol:          NVDA
  Analysis Date:          2026-05-18
? Output Language:        Korean (한국어)
? Analysts Team:          ✓ Market ✓ Sentiment ✓ News ✓ Fundamentals
? Research Depth:         Shallow
? LLM Provider:           GLM → Z.AI (api.z.ai)
? Quick-Thinking:         GLM-4.5-Air
? Deep-Thinking:          GLM-5.1

Step	항목	설명
1	Ticker Symbol	분석할 종목 코드 (SPY, NVDA, 7203.T, 0700.HK 등)
2	Analysis Date	분석 기준일 (YYYY-MM-DD, 기본: 오늘)
3	Output Language	리포트 출력 언어 (English, Chinese, Japanese, Korean 등)
4	Analysts Team	참여할 분석가 선택 (체크박스) — Market / Sentiment / News / Fundamentals
5	Research Depth	토론 깊이 — Shallow(1) / Medium(3) / Deep(5) 라운드
6	LLM Provider	제공자 — OpenAI, Google, Anthropic, xAI, DeepSeek, Qwen, GLM, MiniMax, OpenRouter, Ollama, Azure
7	Thinking Agents	Quick-thinking 모델 + Deep-thinking 모델 각각 선택
8	Provider 설정	GLM: Z.AI vs BigModel 리전 / OpenAI: reasoning effort / Anthropic: effort level

실시간 TUI 대시보드

분석이 시작되면 Rich Live 기반 대시보드가 표시된다:

좌상: 에이전트별 진행 상태 (pending → in_progress → completed)
우상: 실시간 메시지 + 도구 호출 로그 스트림
하단: 현재 분석 리포트 실시간 렌더링
푸터: 완료 에이전트 수, LLM 호출 횟수, 도구 호출 횟수, 토큰 사용량, 경과 시간

┌─── Progress ─────────────────┐┌─── Messages & Tools ───────────────┐
│                              ││                                    │
│  Team            Agent       ││  Time      Type    Content         │
│  ─────────────────────────── ││  12:20:52  System  Selected ticker  │
│  Analyst Team                 ││  12:20:52  System  Analysis date   │
│    Market Analyst    ⟳ run   ││  12:22:06  Data    close_50_sma    │
│    Sentiment Analyst  wait    ││  12:22:06  Data    close_200_sma   │
│    News Analyst       wait    ││                                    │
│    Fundamentals       wait    ││                                    │
│  Research Team               ││                                    │
│    Bull Researcher    wait    ││                                    │
│    Bear Researcher    wait    ││                                    │
│  Trading Team                ││                                    │
│    Trader             wait    ││                                    │
│  Risk Management             ││                                    │
│    Aggressive        wait    ││                                    │
├──────────────────────────────┤│                                    │
│  Current Report              ││                                    │
│  (실시간 렌더링...)            ││                                    │
└──────────────────────────────┘└────────────────────────────────────┘
  Agents: 0/12 | LLM: 2 | Tools: 9 | Tokens: 7.7k | ⏱ 01:14

분석 완료 후

리포트를 results/<TICKER>/<DATE>/reports/ 에 자동 저장한다:

results/NVDA/2026-05-18/
├── reports/
│   ├── 1_analysts/
│   │   ├── market.md
│   │   ├── sentiment.md
│   │   ├── news.md
│   │   └── fundamentals.md
│   ├── 2_research/
│   │   ├── bull.md
│   │   ├── bear.md
│   │   └── manager.md
│   ├── 3_trading/
│   │   └── trader.md
│   ├── 4_risk/
│   │   ├── aggressive.md
│   │   ├── conservative.md
│   │   └── neutral.md
│   ├── 5_portfolio/
│   │   └── decision.md
│   └── complete_report.md     # 전체 리포트 통합본
└── message_tool.log           # 전체 메시지 + 도구 호출 로그

Checkpoint 기능 — 크래시 복구

분석 중간에 API 에러나 타임아웃으로 중단되면, --checkpoint 옵션으로 이어서 실행할 수 있다:

  
# 체크포인트 활성화
tradingagents --checkpoint

# 기존 체크포인트 삭제 후 새로 시작
tradingagents --clear-checkpoints

CLI vs Python 스크립트 vs Hermes 크론잡

방식	장점	적합한 용도
`tradingagents` CLI	예쁜 TUI, 실시간 모니터링, 자동 리포트 저장	직접 실행해서 확인할 때
`run_analysis.py`	인자 전달, 간단한 stdout	Hermes 크론잡 자동화
Hermes 크론잡	매일 자동 실행, 텔레그램 푸시	정기 모니터링 시스템

나는 주로 직접 확인할 때는 CLI, 매일 자동 분석은 Hermes 크론잡을 사용한다.

6. Hermes Agent 연동 — 이 글의 핵심

여기까지는 “직접 실행해서 결과를 본다”는 단계다. 문제는 매일 아침 이걸 직접 돌릴 수 없다는 것. 그래서 Hermes Agent를 연동했다.

왜 Hermes가 필요한가

매일 아침 장전(08:30 KST)에 자동으로 분석 실행
결과를 텔레그램으로 푸시 알림
여러 종목을 한 번에 분석
Hermes의 크론잡 시스템으로 스케줄 관리

전체 아키텍처

flowchart TB
    subgraph Hermes["Hermes Agent"]
        CRON["크론잡 스케줄러<br/>매일 08:30 KST"]
        CRON -->|no-agent 모드| EXEC["스크립트 실행"]
    end

    subgraph TA["TradingAgents"]
        EXEC --> ANALYZE["run_analysis.py"]
        ANALYZE --> AGENTS["7개 에이전트 파이프라인"]
        AGENTS --> RESULT["분석 결과 (stdout)"]
    end

    subgraph Telegram["텔레그램"]
        RESULT -->|deliver telegram| MSG["📊 분석 결과 알림"]
    end

    style Hermes fill:#e7f5ff,stroke:#1971c2
    style TA fill:#d3f9d8,stroke:#2f9e44
    style Telegram fill:#d0bfff,stroke:#5f3dc4

범용 실행 스크립트 (run_analysis.py)

Hermes 크론잡에서 호출할 수 있도록 범용 스크립트를 작성했다:

  
#!/usr/bin/env python3
"""TradingAgents 범용 분석 스크립트 - Hermes 크론잡 연동용

사용법:
    python run_analysis.py NVDA 2026-05-18
    python run_analysis.py NVDA,AAPL,MSFT 2026-05-18
"""
import os
import sys
import re
import argparse
from pathlib import Path
from datetime import datetime

os.environ["PYTHONUNBUFFERED"] = "1"

from dotenv import load_dotenv
load_dotenv(Path(__file__).parent / ".env")

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


def extract_decision_summary(decision_text: str) -> str:
    """FINAL DECISION에서 핵심 정보만 추출"""
    if not decision_text:
        return "N/A"
    lines = decision_text.strip().split('\n')
    summary_lines = []
    for line in lines:
        line = line.strip()
        if not line:
            continue
        if any(kw in line.lower() for kw in [
            'action', 'reason', 'entry', 'stop',
            'position', 'buy', 'sell', 'hold',
            'overweight', 'underweight'
        ]):
            summary_lines.append(line)
    return '\n'.join(summary_lines[:10]) if summary_lines else decision_text[:500]


def analyze_ticker(ticker: str, date: str, config: dict) -> dict:
    """단일 종목 분석 실행"""
    print(f"\n{'='*60}")
    print(f"[분석 시작] {ticker} | {date} | {{config['llm_provider']}}")
    print(f"{'='*60}\n", flush=True)

    ta = TradingAgentsGraph(debug=False, config=config)
    _, decision = ta.propagate(ticker, date)

    summary = extract_decision_summary(decision)

    print(f"\n{'='*60}", flush=True)
    print(f"[{ticker} 최종 결정]", flush=True)
    print(f"{'='*60}", flush=True)
    print(summary, flush=True)

    return {
        "ticker": ticker,
        "date": date,
        "decision": decision,
        "summary": summary,
        "status": "success"
    }


def main():
    parser = argparse.ArgumentParser(description="TradingAgents 범용 분석")
    parser.add_argument("tickers", help="종목 코드 (쉼표로 구분)")
    parser.add_argument("date", nargs="?", default=None, help="분석 날짜 (YYYY-MM-DD)")
    args = parser.parse_args()

    if args.date:
        date = args.date
    else:
        from zoneinfo import ZoneInfo
        date = datetime.now(ZoneInfo("Asia/Seoul")).strftime("%Y-%m-%d")

    # 설정 로드 (.env 오버라이드)
    config = DEFAULT_CONFIG.copy()
    config["llm_provider"] = os.getenv("TRADINGAGENTS_LLM_PROVIDER", "glm")
    config["deep_think_llm"] = os.getenv("TRADINGAGENTS_DEEP_THINK_LLM", "glm-5.1")
    config["quick_think_llm"] = os.getenv("TRADINGAGENTS_QUICK_THINK_LLM", "glm-4.5-air")
    config["output_language"] = os.getenv("TRADINGAGENTS_OUTPUT_LANGUAGE", "Korean")
    config["max_debate_rounds"] = int(os.getenv("TRADINGAGENTS_MAX_DEBATE_ROUNDS", "1"))
    config["max_risk_discuss_rounds"] = int(os.getenv("TRADINGAGENTS_MAX_RISK_ROUNDS", "1"))

    tickers = [t.strip().upper() for t in args.tickers.split(",")]
    results = []

    for ticker in tickers:
        try:
            result = analyze_ticker(ticker, date, config)
            results.append(result)
        except Exception as e:
            print(f"\n[오류] {ticker}: {e}", flush=True)
            results.append({"ticker": ticker, "status": "error", "error": str(e)})

    # 최종 요약
    success_results = [r for r in results if r.get("status") == "success"]

    print(f"\n{'='*60}", flush=True)
    print(f"📊 분석 완료: {date} | {len(success_results)}/{len(tickers)} 성공", flush=True)
    print(f"{'='*60}", flush=True)

    for r in success_results:
        ticker = r["ticker"]
        decision = r.get("decision", "")
        action_match = re.search(
            r'(BUY|SELL|HOLD|OVERWEIGHT|UNDERWEIGHT)',
            decision, re.IGNORECASE
        )
        action = action_match.group(1).upper() if action_match else "N/A"
        print(f"  {ticker}: {action}", flush=True)


if __name__ == "__main__":
    main()

Hermes 크론잡 — no-agent 모드 자동화

no-agent 모드는 Hermes가 스크립트를 직접 실행하고 stdout을 텔레그램으로 전송한다. LLM 호출 비용이 발생하지 않는다.

  
# 크론잡 생성
hermes cron create "every 1d at 08:30" \
  --no-agent \
  --name "아침 주식 분석" \
  --workdir /Users/jong-in/Documents/TradingAgents \
  --deliver telegram \
  --command "cd /Users/jong-in/Documents/TradingAgents && \
    .venv/bin/python run_analysis.py NVDA,AAPL,MSFT,GOOGL $(date +%Y-%m-%d)"

또는 채팅에서 자연어로:

/cron add "every 1d at 08:30" 매일 아침 8시 30분에 NVDA, AAPL, MSFT, GOOGL을 분석하고 결과를 텔레그램으로 보내줘

결과가 텔레그램으로 자동 전송되는 흐름

08:30 KST → Hermes 크론잡 트리거
no-agent 모드로 run_analysis.py 실행
TradingAgents 파이프라인 실행 (종목당 3~5분)
stdout에 분석 결과 출력
--deliver telegram → 텔레그램으로 푸시

텔레그램에 도착하는 메시지 예시:

📊 분석 완료: 2026-05-18 | 4/4 성공

NVDA: OVERWEIGHT
  - AI 수요 지속, 기술적 상승 모멘텀

AAPL: HOLD
  - 신제품 대기, 횡보 예상

MSFT: BUY
  - 클라우드 성장 가속

GOOGL: OVERWEIGHT
  - 광고 수익 회복, Gemini 효과

크론잡 관리

  
hermes cron list                # 등록된 크론잡 확인
hermes cron run <job_id>        # 수동 즉시 실행
hermes cron pause <job_id>      # 일시정지
hermes cron resume <job_id>     # 재개
hermes cron remove <job_id>     # 삭제

7. 성능 & 한계

논문 벤치마크 (2024 H2)

종목	연간수익률 (ARR)	Sharpe Ratio	최대 낙폭 (MDD)
AAPL	30.5%	8.21	0.91%
GOOGL	27.58%	6.39	1.69%
AMZN	24.90%	5.60	2.11%

Buy & Hold, MACD, RSI, SMA 등 전통 전략 대비 압도적 우위.

반드시 알아야 할 한계

한계	설명
테스트 기간	3개월 (2024 H2). 짧다. 강세장에서만 검증
테스트 종목	미국 대형 기술주 한정. 가장 유리한 조건
슬리피지 미반영	실제 거래 가격차 미모델링
세금 미공제	세후 수익률 계산 불가
API 비용	종목당 20~30회 LLM 호출. 다종목 운영 시 비용 누적
Latency	종목당 3~5분. 실시간 트레이딩에는 부적합

Sharpe Ratio 8.21은 비정상적으로 높다. 논문에서도 검증 과정을 상세히 설명하지만, 3개월 강세장 데이터라는 점을 감안해야 한다.

8. 결론 — 백엔드 개발자 관점에서의 평가

기술적 관점

장점:

LangGraph 기반 상태 관리 — StateGraph, 체크포인트 복구, 노드 교체 가능. 백엔드 개발자에게 익숙한 파이프라인 구조
모듈식 설계 — 에이전트 추가, 데이터 소스 확장이 쉽다. Ollama로 로컬 모델도 가능
GPU 불필요 — Mac Mini M4에서 즉시 실행 가능. API 크레딧만으로 운영
설명 가능성 — 모든 에이전트가 자연어로 의사결정 근거를 남긴다. 블랙박스 DL 모델과의 결정적 차이

단점:

에이전트 간 의견 불일치 해결 메커니즘이 단순 (Facilitator가 최종 선택)
API 비용이 생각보다 든다 (한 종목당 $0.1~$0.3, GLM 기준)
실시간 데이터 파이프라인이 아직 미흡

Hermes 연동의 가치

TradingAgents만 쓰면 “직접 실행해서 결과를 확인하는 도구”에 그친다. Hermes를 연동하면:

자동화 — 매일 아침 크론잡으로 실행, 텔레그램 푸시
확장 — 다종목 병렬 분석, delegate_task 활용
통합 — 다른 Hermes 스킬(뉴스 요약, 날씨 등)과 결합 가능

이 조합이 의미 있는 이유는 “분석 도구”에서 “분석 시스템”으로 바뀐다는 점이다. 혼자 분석하는 게 아니라, 기계가 매일 아침 분석하고 알려주는 구조.

다음 단계

더 긴 기간의 백테스팅 (6개월~1년)
약세장에서의 성능 검증
실거래 연동 (Alpaca API)
로컬 모델(Ollama)로 비용 절감 테스트

이 글은 기술 리뷰이며 어떤 형태의 투자 조언도 아닙니다. TradingAgents는 연구 목적의 프레임워크이며, 실제 투자에 사용할 경우 모든 리스크는 본인에게 있습니다.

참고 자료:

TradingAgents GitHub — Apache-2.0, 76k+ stars
논문: arXiv 2412.20138 — TradingAgents: Multi-Agents LLM Financial Trading Framework
Hermes Agent 문서 — 크론잡, 텔레그램 연동 가이드