EvolveTrade: Experience-Driven Policy Refinement for Self-Evolving LLM Trading Agents
고정된 프롬프트 대신 과거 거래 이력과 수익률을 바탕으로 에이전트의 행동 지침(Policy)을 스스로 업데이트하는 자가 진화형 트레이딩 프레임워크
논문이 다루는 내용
기존 LLM 트레이딩 에이전트는 배포 전 작성된 정적인 도구 사용 정책에 의존하여 시장 변화에 유연하게 대응하기 어렵다는 문제가 있습니다. 이를 해결하기 위해 본 논문은 시스템 프롬프트를 텍스트 매개변수화된 정책으로 취급하는 EvolveTrade 프레임워크를 제안합니다. EvolveTrade는 백본 LLM은 고정한 채, Policy Agent가 누적된 의사결정 흔적과 포트폴리오 피드백을 분석하여 프롬프트를 주기적으로 수정합니다. 실험 결과, 다양한 시장 환경에서 고정 정책 기반의 베이스라인보다 샤프 지수(Sharpe Ratio)와 누적 수익률(Cumulative Return)이 향상됨을 확인했습니다. 또한, 진화된 정책이 코드 기반 분석을 활성화하고 시장 상황에 적합한 계산을 수행함을 입증했습니다.
핵심 결과
-
시스템 프롬프트를 가변적인 '정책(Policy)'으로 정의하여 자가 진화 구조 구축
-
백본 모델 수정 없이 과거 거래 데이터와 수익률 피드백을 통한 프롬프트 최적화
-
시장 변화에 맞춰 정보 수집 및 포트폴리오 구성 절차를 스스로 정교화
실무에서 볼 만한 점
에이전트의 로직을 하드코딩하는 대신, 피드백 루프를 통해 프롬프트 자체가 최적화되는 '메타 프롬프팅' 전략의 실효성을 보여줍니다.
읽을 때 확인할 점
-
고정된 프롬프트와 피드백 기반 프롬프트 간의 수익률 차이 비교 실험
-
프롬프트 업데이트 주기에 따른 성과 및 안정성 변화 측정
-
특정 시장 상황(횡보장 vs 추세장)에서 정책 변화 양상 분석