에이전트 AI 기반 투자 포트폴리오 관리

솔루션 개요

오늘날 자본 시장에서 데이터가 전략적 의사결정의 중심으로 부상함에 따라 효과적인 위험 관리가 빠르게 발전하고 있습니다. 포트폴리오 관리자는 구조화된 재무 피드부터 뉴스 기사, 소셜 미디어와 같은 비구조화된 콘텐츠에 이르기까지 방대한 양의 다양한 데이터를 다뤄야 하며, 이는 기존 시스템이 처리하기 어려운 과제를 제기합니다.

AI 기반 솔루션은 규칙 기반 전략을 넘어 적응형, 맥락 인식형 의사결정으로 나아가며 포트폴리오 관리를 재정의하고 있습니다.

당사의 지능형 투자 포트폴리오 관리자는 다양한 데이터 소스를 통합하고 분석하는 복잡성을 해결합니다. 실시간 분석과 생성형 인공지능 모델을 결합하여 AI 기반 포트폴리오 어시스턴트를 통해 직관적이고 종합적인 경험을 제공합니다. 이는 포트폴리오 관리자들이 인사이트를 탐색하고 조치를 취하는 방식을 혁신합니다.

대규모 언어 모델(LLM), 검색 증강 생성(RAG), 및 MongoDB Atlas(벡터 검색, time series 컬렉션, Atlas 차트 포함)를 기반으로 한 이 솔루션은 AI 에이전트에게 다음과 같은 기능을 제공합니다.

• 다양한 출처에서 방대한 금융 데이터를 분석해 거시경제적 상관관계, 이동 평균, 포트폴리오 수준 지표 등 유의미한 분석 결과로 처리합니다.

• 포트폴리오 성과를 기반으로 동적인 인사이트와 추천을 제공합니다.

이 고급 접근 방식은 의사 결정을 강화하고 위험 관리를 개선하며, 보다 정확한 성과 및 영향 분석을 가능하게 합니다. 이를 통해 포트폴리오 관리자는 "인간이 개입하는"(HITL) 구현을 통해 더 현명하고 빠르며 정보에 기반한 투자 결정을 내릴 수 있습니다.

참조 아키텍처

솔루션은 세 개의 에이전트와 두 개의 애플리케이션으로 구성되어 있습니다.

• 시장 분석 에이전트

• 시장 뉴스 에이전트

• 마켓 어시스턴트 에이전트

• 데이터 수집 애플리케이션

• 시장 인사이트 생성 애플리케이션

그림 1. 상위 수준 아키텍처

다이어그램에 나타난 것처럼, MongoDB는 데이터 수집 애플리케이션 데이터를 저장하는 중심 역할을 합니다. 시장 데이터(time-series), 금융 뉴스(비정형) 및 거시경제 지표(정형) 데이터가 추출, 변환되어 MongoDB Atlas 컬렉션에 로드됩니다.

데이터 수집이 완료되면, 첫 번째 두 에이전트인 시장 분석 에이전트와 시장 뉴스 에이전트가 실시간 시장 데이터와 금융 뉴스를 분석하고, 뉴스 감정 분석을 수행하며, 현재 포트폴리오 배분 기반으로 포트폴리오 특화 인사이트를 제공하도록 스케줄링됩니다. 마지막으로, 시장 보조 에이전트라고 불리는 세 번째 에이전트는 LangGraph ReAct 에이전트를 사용하여 자본 시장에 대한 인사이트와 권장 사항을 제공합니다. 이 에이전트는 MongoDB Atlas 를 통해 데이터 저장, 벡터 검색, 에이전트 상태 관리를 수행합니다.

솔루션 구축

이제 솔루션이 어떻게 빌드되었는지 이해해 보겠습니다. 코드는 세 개의 마이크로서비스로 분할됩니다.

1부. 로더 서비스

그림 2. 로더 서비스 아키텍처

이 부분에서는 세 가지 소스에서 데이터 추출을 처리하는 데이터 수집 애플리케이션을 중점적으로 다룹니다.

• Yahoo Finance 시장 데이터 ETL: yfinance Python 패키지를 사용하여 다양한 자산 유형의 시장 데이터를 추출, 변환 및 로드합니다.

• FRED API 거시경제 데이터 ETL: pyfredapi Python API 패키지를 사용하여 거시경제 데이터를 추출, 변환 및 로드합니다.

• 금융 뉴스 처리: 금융 뉴스를 스크래핑하고 Voyage AI의 voyage-finance-2 모델을 사용하여 임베딩을 생성하며, Hugging Face의 FinBERT 모델을 사용하여 감정 점수를 계산합니다.

• 포트폴리오 성과 생성(에뮬레이션).

이후, 금융 뉴스 기사들은 FinBERT라는 사전 훈련된 대규모 언어 모델(LLM)을 사용하여 감성 점수를 계산하기 위해 처리됩니다. 추가적으로, Voyage AI의 임베딩 모델 voyage-finance-2을 사용하여 뉴스 기사를 벡터화하고, 벡터 임베딩과 함께 MongoDB 컬렉션에 저장합니다.

{
"_id": {
    "$oid": "67c09436bd1cbed4d0185880"
},
    "headline": "QQQ Leads Inflows as VGIT, HYG Jump: ETF Flows as of Feb. 27",
    "source": "etf.com ·  via Yahoo Finance",
    "posted": "1 year ago",
    "description": "Top 10 Creations (All ETFs) Ticker Name Net Flows ($, mm) AUM ($, mm) AUM % Change QQQ Invesco QQQ...",
    "link": "https://finance.yahoo.com/news/qqq-leads-inflows-vgit-hyg-005429051.html?fr=sycsrp_catchall",
    "synced": false,
    "extraction_timestamp_utc": {
        "$date": "2025-02-27T16:35:02.823Z"
},
    "ticker": "HYG",
    "article_string": "Headline: QQQ Leads Inflows as VGIT, HYG Jump: ETF Flows as of Feb. 27\n/n Description: Top 10 Creations (All ETFs) Ticker Name Net Flows ($, mm) AUM ($, mm) AUM % Change QQQ Invesco QQQ...\n/n Source: etf.com ·  via Yahoo Finance\n/n Ticker: HYG\n/n Link: https://finance.yahoo.com/news/qqq-leads-inflows-vgit-hyg-005429051.html?fr=sycsrp_catchall",
    "sentiment_score": {
        "positive": 0.03415600210428238,
        "negative": 0.04247178137302399,
        "neutral": 0.9233722686767578
},
    "article_embedding": [
        0.025981411337852478,
        0.03783617168664932,
        0.01893029175698757,
        0.019744139164686203,
        -0.009678225964307785,
        0.0296250581741333,
        -0.06560207903385162,
        -0.03349149599671364,
        0.005457616411149502,
        -0.004056802950799465,
        -0.07076755166053772,
        -0.04305347055196762,
        ...]
}

마지막으로, 모든 컬렉션은 MongoDB Atlas에 저장됩니다.

2부. 에이전트 서비스

그림 3. 에이전트 서비스 아키텍처

데이터가 적절한 MongoDB 컬렉션에 저장되고 수집되면, 두 개의 예약된 에이전트가 이를 분석하여 포트폴리오별 인사이트를 생성합니다.

시장 분석 에이전트

거시경제 지표(FRED를 통해), 자산 가격 추세(50일 이동 평균 사용), 시장 변동성(VIX를 통해)을 평가하고, 이러한 입력을 LLM 기반 추론(AWS Bedrock/Anthropic을 통해)과 결합하여 맞춤형 포트폴리오 추천을 생성합니다.

시장 뉴스 에이전트

MongoDB Atlas Vector Search를 사용하여 자산별로 의미적으로 관련 있는 금융 뉴스를 조회한 후, LLM 기반의 감정 분석 및 요약을 통해 주요 신호를 강조합니다.

아키텍처 다이어그램에서 보이는 것처럼, 에이전트는 LLM(대규모 언어 모델)을 기반으로 하고, 도구로 강화된 워크플로로서 LangGraph를 사용하여 조정됩니다. 각각은 구조화된 결정론적 프로세스를 따르며, 도구가 정해진 순서대로 호출되어 신뢰할 수 있고 설명 가능한 실행을 보장합니다.

에이전트 도구

각 에이전트는 인사이트를 조회, 분석 및 종합하기 위해 맞춤형 도구 세트를 사용합니다.

• check_portfolio_allocation_tool: MongoDB에서 현재 자산 할당을 조회합니다.

• calculate_asset_trends_tool: 현재 가격을 50일 이동 평균과 비교하여 추세를 감지합니다.

• assess_macro_indicators_toolFRED 경제 데이터를 가져와 해석합니다(예: 국내총생산(GDP), 금리, 실업률).

• assess_vix_tool: VIX 데이터를 사용하여 시장 변동성을 분석합니다.

• generate_overall_diagnosis_tool: 모든 입력을 종합하여 LLM 기반 권장 사항을 제공합니다.

• fetch_market_news_tool: 벡터 검색을 사용하여 의미적으로 관련된 금융 뉴스를 찾습니다.

• generate_news_summaries_tool: LLM을 사용하여 감정 분석 및 요약을 적용합니다.

각 도구에는 자연어 설명문(docstring)이 포함되어 있으며, 이는 도구의 목적, 예상 입력, 출력 동작을 설명함으로써 에이전트가 도구를 언제 어떻게 사용해야 하는지 안내합니다.

시맨틱 벡터 저장

마지막으로 생성된 모든 인사이트(시장 분석 및 뉴스 감정 보고서)는 Voyage-Finance-2 모델을 사용하여 임베딩되고 MongoDB Atlas에 저장되어 두 워크플로에서 의미론적 검색 및 이력 추적이 가능합니다.

3부. 마켓 어시스턴트 에이전트 서비스

그림 4. 마켓 어시스턴트 에이전트 서비스 아키텍처

데이터가 MongoDB Atlas 컬렉션에 수집 및 임베딩되면, 마켓 어시스턴트 에이전트는 LangGraph로 구현된 ReAct 패턴을 사용하여 사용자 쿼리를 자율적으로 해석하고, 관련 도구에 액세스하며, 실행 가능한 금융 인사이트를 생성합니다.

이 에이전트는 구조화된 LLM 기반 금융 자문가로서 단계별 추론, 조치 실행, 그리고 기억 유지 기능을 수행할 수 있습니다. LangGraph의 ReAct 에이전트 프레임워크로 빌드되었으며, 다음과 같은 주기를 따릅니다.

• 쿼리에 대한 추론

• 작업 수행(예: 도구 호출)

• 결과를 관찰하기

• 최종 응답에 도달할 때까지 반복적으로 계속 진행합니다.

에이전트의 동작은 MongoDB에 저장된 사용자 지정 가능한 에이전트 프로필을 통해 정의되며, 장기 메모리와 상태 지속성은 MongoDB 체크포인터를 사용하여 checkpoints_aio 및 checkpoint_writes_aio를 통해 상호작용 단계를 추적하여 관리됩니다.

에이전트 도구 개요

마켓 어시스턴트 에이전트는 포트폴리오별 분석과 일반 시장 인텔리전스로 나뉜 모듈형 도구 세트를 사용합니다.

포트폴리오 특화 도구

• market_analysis_reports_vector_search_tool: Voyage-finance-2 임베딩을 사용하여 의미적으로 관련된 시장 보고서를 조회하고, 벡터 유사성과 최신성을 균형 있게 조정하여 포트폴리오 전체 및 자산별 인사이트를 제공합니다.

• market_news_reports_vector_search_tool: 포트폴리오 자산과 관련된 최신 뉴스를 찾아 요약하며, 감성 분류(긍정/중립/부정)와 전체 뉴스 영향도도 제공합니다.

• get_portfolio_allocation_tool: 포트폴리오 자산의 현재 투자 분포를 티커, 설명, 할당 비율과 함께 표시합니다.

• get_portfolio_ytd_return_tool: portfolio_performance에 저장된 과거 수익을 기반으로 연도별 실적을 계산하고 형식을 지정합니다.

• get_vix_closing_value_tool: 시장 변동성과 위험을 빠르게 파악할 수 있는 지표로 가장 최근의 VIX 종가를 제공합니다.

일반 금융 인텔리전스

• tavily_search_tool: 웹 검색을 통해 최신 외부 금융 데이터와 뉴스를 가져와 내부 도구를 보완합니다. 특히 현재 포트폴리오에 포함되지 않은 자산에 유용합니다.

임베딩과 벡터 검색

시스템은 재무 텍스트에 최적화된 Voyage-finance-2 임베딩 모델을 사용하여 보고서의 의미 표현을 생성합니다. 이 임베딩은 다음 위치에 저장됩니다.

• reports_market_analysis (마켓 리포트)

• reports_market_news (뉴스 기사)

두 MongoDB 컬렉션 모두 Atlas Vector Search를 통해 시맨틱 쿼리를 지원하여 시장 및 뉴스 컨텍스트에서 높은 관련성 검색을 가능하게 합니다.

GitHub 리포지토리: Leafy Bank UI를 참조하고 지시에 따라 직접 데모를 만들어 보세요. (참고: 솔루션의 각 부분에는 자체 저장소가 있으며, README에서 'Capital Markets' 서비스로 찾을 수 있습니다.)

MongoDB를 선택하는 이유

AI 기반 금융 애플리케이션을 위한 현대적 데이터 기반

MongoDB는 금융 서비스의 복잡성을 처리하기 위해 설계된 통합 고성능 데이터 플랫폼입니다. 분산된 점 솔루션을 단일 시스템으로 대체하여 구조화된 데이터, time-series 데이터, 비구조화 데이터, 벡터화된 데이터를 처리할 수 있는 기능을 제공하며, 이는 자본 시장, 자산 관리 및 그 외 다양한 분야에서 지능적이고 적응적인 애플리케이션을 구동하는 데 이상적입니다.

스키마 유연성 및 Document Model

MongoDB의 JSON과 유사한 BSON 모델은 에이전트 상태 및 객체 지향 설계와 자연스럽게 일치하여 계정, 포트폴리오, 트랜잭션 및 AI 메타데이터의 데이터 모델링을 간소화합니다. 개발자는 다음을 수행할 수 있습니다.

• 동적 스키마 덕분에 중단 없는 마이그레이션 없이 데이터 모델을 발전시킬 수 있습니다.

• 더 빠르고 효율적인 쿼리를 위해 관련 데이터를 함께 저장하세요(예: 사용자 프로필 및 거래 내역).

• 다양한 데이터 유형(원시 데이터부터 배열 및 내장 문서까지)을 통합된 구조에서 처리합니다.

시장 데이터를 위한 time series 컬렉션

목적에 맞게 설계된 time series 컬렉션은 대량의 시장 데이터를 효율적으로 수집하고 분석합니다. 기능에는 다음이 포함됩니다.

• 주식, 채권 및 원자재의 고처리량 데이터 수집.

• 성능 및 비용 제어를 위해 자동 압축, 인덱싱 및 데이터 만료를 수행합니다.

• 이동 평균 및 변동성 추적과 같은 창 분석에 대한 네이티브 지원.

시맨틱 이해를 위한 Atlas Vector Search

MongoDB Atlas Vector Search는 벡터 임베딩을 사용하여 금융 콘텐츠 전반에 걸쳐 의미를 이해할 수 있게 합니다. 이 솔루션은 Voyage-Finance-2라는 금융 전용 모델을 활용합니다.

• 대화형 프롬프트와 유사성 기반 매칭을 활용한 금융 뉴스의 문맥 인식 조회.

• 메타데이터 필터링을 적용하여 시맨틱 유사성 검색 결과의 정밀도가 개선되었습니다.

에이전트 메모리를 위한 MongoDB 체크포인터

Checkpointer AI 패턴은 AI 에이전트가 상호작용 간에 내부 상태를 지속할 수 있도록 하며, 다음을 지원합니다.

• 컨텍스트 유지 및 장기 추론.

• 과거 AI 결정에 대한 완전한 가시성을 제공하여 감사 및 컴플라이언스를 쉽게 지원합니다.

인사이트 생성을 위한 집계 파이프라인 및 Atlas Charts

MongoDB의 집계 프레임워크는 트렌드 분석에서 거시경제적 상관관계에 이르기까지 실시간 인사이트를 제공합니다. Atlas Charts와 결합하여 팀은 Atlas Charts 대시보드를 빌드할 수 있습니다.

• AI 기반 포트폴리오 시그널

• 시장 이상 징후

• 실시간 성능 지표

이러한 기능이 결합되어 MongoDB는 AI 기반 금융 솔루션에 적합한 강력하고 미래 지향적인 데이터 레이어를 형성하며, 현대 금융이 요구하는 유연성과 확장성, 지능을 제공합니다.

주요 학습 사항

• 투자 포트폴리오 AI 관리에서 AI 기반 솔루션은 이전에는 불가능했던 새로운 수준의 인사이트를 제공합니다. 포트폴리오 관리자는 이제 AI 에이전트의 힘을 갖추게 되었습니다. 이 에이전트는 시장 데이터, 시장 뉴스, 시장 이벤트를 분석하고 포트폴리오 자산 및 위험에 대한 통찰력 있고 실행 가능한 권장 사항을 실시간으로 제안할 수 있습니다.

• MongoDB는 투자 포트폴리오 MongoDB 관리에서 에이전트 AI 여정의 핵심적인 역할을 합니다. MongoDB의 유연한 문서 모델은 뉴스, 이벤트 및 소셜 미디어 데이터를 포함한 비정형 및 동적 시장 데이터를 네이티브로 저장합니다. MongoDB 벡터 검색은 임베딩 및 생성형 인공지능 모델과 원활하게 통합되며, 시장의 맥락적 유사성과 상관관계를 조회합니다.

• 에이전트 AI는 AI 기반 의사 결정에서 빠르게 발전하는 패러다임입니다. AI 에이전트는 실시간 시장 상황과 변동에 따라 조치와 전략을 지속적으로 조정하며 적응합니다. AI 에이전트는 과거 경험에서 학습하여 시간이 지남에 따라 성능을 향상시킵니다.

사용된 기술 및 제품

작성자

• Peyman Parsi

• Ainhoa Múgica

• Julian Boronat

• Andrea Alaman Calderon