대규모 언어모델(LLM)을 활용한 트레이딩 에이전트는 시장 데이터, 뉴스, 분석 도구를 결합하여 복잡한 거래 결정을 내릴 수 있는 잠재력을 가지고 있습니다. 하지만 기존 LLM 트레이딩 에이전트들은 배포 전에 미리 정해진 정적인 도구 사용 정책(tool-use policies)에 의존하는 경향이 있었습니다. 이러한 고정된 정책은 급변하는 시장 상황에 맞춰 증거를 수집하고, 도구를 호출하며, 신호를 검증하고, 위험을 관리하는 능력을 제한하는 근본적인 문제점을 안고 있었습니다.
최근 발표된 '이볼브트레이드(EvolveTrade)'는 이러한 한계를 극복하기 위한 자기 진화(self-evolving) 프레임워크를 제시합니다. 이볼브트레이드는 도구 사용 트레이딩 에이전트의 시스템 프롬프트(system prompt)를 텍스트로 매개변수화된 정책으로 간주합니다. 각 업데이트 주기마다, 정책 에이전트(Policy Agent)는 축적된 의사결정 기록과 실제 포트폴리오 피드백을 활용하여 이 정책을 수정합니다. 이때 기반이 되는 LLM 자체는 고정된 상태를 유지하며, 업데이트된 정책은 다음 거래 배치(batch)에 적용되어 에이전트가 정보 획득 및 포트폴리오 구성 절차를 시간이 지남에 따라 스스로 개선할 수 있도록 돕습니다.
다양한 시장 상황과 두 가지 LLM 백본(backbone)에 걸쳐 진행된 실험에서 이볼브트레이드는 고정 정책을 사용하는 기존 LLM 에이전트 대비 샤프 비율(Sharpe Ratio)과 누적 수익률(Cumulative Return)을 크게 향상시키는 결과를 보여주었습니다. 행동 분석 결과에 따르면, 자기 진화된 정책은 코드 기반 분석을 증가시키고 시장 상황에 맞는 계산을 활성화하는 경향을 보였습니다. 이는 도구 사용을 관장하는 재사용 가능한 절차를 시장 변화에 맞춰 적응시키는 것이 더욱 견고한 LLM 트레이딩 에이전트를 구축하는 핵심 방향임을 시사합니다. 이 연구는 LLM 에이전트가 단순히 정해진 규칙을 따르는 것을 넘어, 실제 경험을 통해 스스로 학습하고 진화하는 새로운 가능성을 열어주었습니다.