트레이딩 AI 에이전트 서베이: 2026년 5~7월 최신 연구 동향

작성일: 2026-07-22 범위: 2026-05-01 ~ 2026-07-31 arXiv 프리프린트 본문 인용 논문 수: 31편 (전량 arXiv API 배치 검증으로 CONFIRMED) 환각 검증 결과: 0건 (검증 원장: _workspace/03_verification/verdicts.md)

요약 (Executive Summary)

본 서베이는 2026년 5월~7월 사이 arXiv에 공개된 트레이딩 AI 에이전트 관련 프리프린트 31편을 대상으로 한다. 이 기간의 연구는 크게 세 가지 축으로 수렴한다.

첫째, LLM 기반 트레이딩 에이전트가 "무엇을 아는가"와 "무엇을 실제로 벌 수 있는가" 사이의 간극을 정면으로 다루기 시작했다. 다수 연구가 실행 가정·시간 게이트·거래 비용의 비일관성을 재현성 위기의 핵심 원인으로 지목하며 [Yao & Zheng, 2026-06, "Beyond Agent Architecture", https://arxiv.org/abs/2606.08285], [Ghosh & Devarakonda, 2026-06, "FinBench", https://arxiv.org/abs/2607.16229], [Zhu et al., 2026-05, "From Knowing to Doing", https://arxiv.org/abs/2605.28359] 신뢰-역량 간극(confidence-competence gap)과 메모리 마스킹 실험을 통해 LLM이 종종 시장·스타일 노출을 알파로 오인함을 보인다.

둘째, RL 기반 포트폴리오 최적화는 위험 민감·분포 인식·레짐 적응이라는 세 방향으로 세련화되고 있다. 물리학 기반 RL(HJB) [Halperin & Itkin, 2026-07, "SciPhy RL", https://arxiv.org/abs/2607.15195], 자유에너지-엔트로피 이중성 [Lleo & Runggaldier, 2026-06, "RL for Risk-Sensitive Investment Management", https://arxiv.org/abs/2606.20903], HMM+RL 레짐 배분 [Verma et al., 2026-05, "Regime-Based Portfolio Allocation", https://arxiv.org/abs/2605.27848]이 대표적이다.

셋째, 멀티에이전트 LLM 시스템의 조정(coordination) 그 자체가 병목으로 인식되기 시작했다. 생산 환경 실패율이 41~87%로 보고되며 [Nechepurenko & Shuvalov, 2026-05, "Coordination as an Architectural Layer", https://arxiv.org/abs/2605.03310], Shapley 크레딧 할당 [Pei et al., 2026-05, "Market Regime Council", https://arxiv.org/abs/2605.24490]·심의 루프 [Letteri, 2026-05, "AgenticAITA", https://arxiv.org/abs/2605.12532] 같은 조정 계층이 별도 설계 대상으로 부상했다.

미해결 과제는 재현 가능한 평가 프로토콜, 룩어헤드 바이어스 제거, 그리고 학습된 정책의 시장 조작 리스크 [Tsaknaki et al., 2026-07, "Can RL Efficiently Discover Price Manipulation?", https://arxiv.org/abs/2607.06121] 관리로 정리된다.

1. 서론 — 트레이딩 AI 에이전트란

트레이딩 AI 에이전트는 시장 데이터·뉴스·거시경제 신호·주문서 상태 등을 입력으로 받아, 자산 배분·매매 신호·주문 실행을 자율적으로 산출하는 학습 기반 시스템을 총칭한다. 본 서베이가 다루는 범위는 다음 다섯 개 부문의 교집합이다.

1. LLM 트레이딩: 대규모 언어 모델을 의사결정·리서치·조정 계층으로 활용
2. RL 트레이딩: 강화학습으로 정책·배분·실행을 최적화
3. 포트폴리오 최적화: 위험·수익 관계를 학습해 자산 배분을 동적으로 산출
4. 시장 예측: 시계열·감성·거시 데이터로 가격·방향·변동성 예측
5. 멀티에이전트 트레이딩: 전문화된 다수 에이전트의 협력·심의로 의사결정

왜 지금 중요한가. 2025년 하반기부터 파운데이션 모델의 도구 사용·긴 컨텍스트·구조화 출력 능력이 실용 트레이딩 파이프라인에 이식 가능한 수준에 도달했고, 동시에 오프-폴리시 RL과 분포 인식 최적화가 성숙하면서 두 계열이 처음으로 정면 충돌·상호 보완하는 지점을 형성했다. 이 서베이는 그 첫 3개월(2026-05~07) 문헌을 지도화한다.

2. 조사 방법과 커버리지

2.1 검색 전략

• 소스: arXiv (q-fin.*, cs.LG, cs.AI, cs.MA) 중심. 관련 도메인 확장어(LLM trading, deep reinforcement learning portfolio, multi-agent LLM finance, market regime, limit order book, execution optimal, sentiment finance) 클러스터로 발굴.
• 기간 필터: 2026-05-01 ~ 2026-07-31 제출 기준(arXiv ID YYMM 코드 2605~2607, 일부 2607 처리 논문 중 원 제출일이 6월 말인 케이스 포함).
• 파이프라인: paper-scout(동의어 확장 검색) → paper-analyst(논문별 분석) → citation-verifier(arXiv API 배치 조회로 실존·저자·날짜 대조) → survey-synthesizer(본 리포트).

2.2 확인 규모 및 검증 결과

검증 원장은 _workspace/03_verification/verdicts.md에 보관되며, 모든 인용은 arXiv 링크로 추적 가능하다.

2.3 커버리지 한계 (정직하게)

• arXiv 편중. 컨퍼런스 프로시딩(NeurIPS 2026·ICML 2026 워크샵 등)과 SSRN·업계 프리프린트(예: 헤지펀드 리서치 노트)는 본 서베이 범위 외이다. 이 편향은 실증 수익률 보고 관행보다 방법론 논문에 무게가 실리게 만든다.
• 3개월 스냅샷. 이전 3~6개월 흐름(2025-11~2026-04)은 부록 A의 배경 8편으로만 맥락 보강한다. 장기 트렌드 추론은 신중을 요한다.
• 수치 신뢰도. 논문 초록에서 발췌한 수익률·샤프 값 중 일부는 원문 전체를 검증하지 못했다(예: [Guo, 2026-07, "Learning Predictive Ambiguity Sets", https://arxiv.org/abs/2607.09820]의 26.28% 연간 수익·샤프 1.30은 초록 인용치로, 정확 재현은 원문 대조를 요한다). 본문에서는 해당 각주를 명시한다.
• 재현 검증 불가. 본 서베이는 각 논문의 코드·데이터를 재실행하지 않았다. 성능 주장은 저자 보고치이며, 실제 산업 배포 성능은 별도 실증이 필요하다.

3. 택소노미 — 연구 지형

31편의 CONFIRMED 논문을 실제 방법·목표에서 귀납적으로 7개 그룹으로 분류한다. 그룹 간 경계에 걸친 논문은 주 그룹에 배치하되 관련 그룹에서 교차 인용한다.

숫자에서 보이듯 LLM(7) + RL/포트폴리오(8) = 15편이 서베이의 절반을 차지한다. 나머지 절반은 조정·실행·예측·평가·리스크로 세분화된 인프라·안전 계층이다. 이 분포는 "핵심 결정 엔진(LLM/RL)은 성숙, 주변 계층은 아직 조각화" 상태를 시사한다.

4. 논문별 상세 분석

[A] LLM 기반 트레이딩 에이전트

A1. AI Trading: Evaluating LLMs for Technical Market Analysis

• 저자·날짜: Geofrey Ntale, 2026-07-16
• 링크: arxiv.org/abs/2607.15414
• 핵심 기여: 5개 최신 LLM을 기술적 분석 태스크에서 체계적으로 평가.
• 방법: 기술적 지표 해석·차트 패턴 인식·매매 신호 산출 태스크로 벤치마크.
• 결과: 모든 모델에서 지속적 실패 모드 발견. 특히 수치 환각(numeric hallucination)이 공통 결함으로 보고됨.
• 한계: 단일 저자 벤치마크로 태스크 범위가 제한적이며, 실제 거래 환경 실행은 다루지 않음.

A2. Beyond Agent Architecture: Execution Assumptions and Reproducibility in LLM-Based Trading Systems

• 저자·날짜: Junyi Yao, Zihao Zheng, 2026-06-06
• 링크: arxiv.org/abs/2606.08285
• 핵심 기여: LLM 트레이딩 연구 30편을 감사해 재현성 위기를 계량화.
• 방법: 실행 타이밍·거래 비용 모델링·평가 프로토콜 3축으로 비일관성 코딩.
• 결과: 대부분 논문이 실행 지연·슬리피지·수수료를 부분적으로만 명세. 동일 아이디어라도 실행 가정을 바꾸면 결과가 뒤집힘.
• 한계: 감사 대상이 arXiv 프리프린트에 편중. 폐쇄 소스 산업 시스템은 제외.

A3. Macro Economists in the Machine: Multi-Agent LLM Framework for Commodity ETF Portfolio

• 저자·날짜: Yiqing Wang et al., 2026-06-06
• 링크: arxiv.org/abs/2606.08283
• 핵심 기여: 대조적 매크로 사전(hawkish/dovish)을 부여한 LLM 에이전트들을 심의(debate)시켜 원자재 ETF 배분.
• 방법: 각 에이전트는 특정 거시 관점을 초기 프롬프트로 주입받고 토론 후 합의 배분 산출.
• 결과: 금리 사이클 전체(완화·정상·긴축)에서 결정론적 규칙 기반 대비 우수한 위험 조정 수익.
• 한계: 원자재 ETF 유니버스로 국한. 심의 프로토콜의 LLM 의존성(모델 교체 시 재현) 불명확.

A4. From Knowing to Doing: A Memory-Controlled Benchmark for LLM Trading Agents

• 저자·날짜: Taojie Zhu et al., 2026-05-27
• 링크: arxiv.org/abs/2605.28359
• 핵심 기여: KTD-Fin 벤치마크 — 시장 메모리를 마스킹해 "알파 대 시장/스타일 노출" 분리 실험.
• 방법: LLM 에이전트가 사전 학습으로 흡수한 과거 시장 지식을 마스킹한 상태에서 트레이딩 성과 측정.
• 결과: 상당수 에이전트의 수익이 사실상 수동적 시장/스타일 노출로 설명됨. 진정한 신호 생성 능력은 제한적.
• 한계: 마스킹 완전성 검증이 어려움. LLM 내부 지식의 완전한 제거는 근사적일 수밖에 없음.

A5. MadEvolve: Evolutionary Optimization of Trading Systems with LLMs

• 저자·날짜: Yurii Kvasiuk et al., 2026-05-21
• 링크: arxiv.org/abs/2605.23007
• 핵심 기여: LLM을 진화 알고리즘의 변이·교배 오퍼레이터로 사용해 Bitcoin 트레이딩 전략과 피처 엔지니어링을 공동 최적화.
• 방법: LLM이 코드 형태로 전략 후보를 생성·변형하고 백테스트 성과를 적합도로 사용.
• 결과: 성능 개선 보고와 함께 p-hacking 리스크를 저자 스스로 평가·경고.
• 한계: 단일 자산(BTC) 최적화로 다자산 일반화 미검증.

A6. Reflexivity as Prompt: LLM Financial Market Forecasters

• 저자·날짜: Eugene Park, 2026-05-19
• 링크: arxiv.org/abs/2606.00061
• 핵심 기여: 조지 소로스의 반사성(reflexivity) 이론을 프롬프트로 주입해 붐-버스트 사이클 예측 정확도 변화 측정.
• 방법: 동일 시장 데이터에 반사성 프롬프트 유무 조건 A/B 비교.
• 결과: 정확도 변화가 모델별로 상이. 특정 모델에서만 유의 개선.
• 한계: 반사성 개념의 조작적 정의가 프롬프트 문구에 의존. 이론 충실도 검증이 어려움.

A7. Augmenting Fundamental Analysis with LLMs: RAG-Based Investor Briefs

• 저자·날짜: Bartosz Ziółko, Kacper Dobrzeniecki, 2026-07-10
• 링크: arxiv.org/abs/2607.09121
• 핵심 기여: RAG 강화 LLM으로 기업 보고서·SEC 파일링을 분석해 투자자 브리핑 자동 생성.
• 방법: 문서 청킹·임베딩·검색 후 구조화된 브리핑 템플릿으로 합성.
• 결과: 애널리스트 수작업 대비 처리 시간 대폭 단축 및 커버리지 확대.
• 한계: 브리핑 품질의 정성 평가에 그쳐, 투자 성과와의 인과 링크는 미검증.

[B] RL 트레이딩 / 포트폴리오 최적화

B1. AlphaZeroBeta: Deep RL for Market-Neutral Portfolios

• 저자·날짜: Boris Belyakov, 2026-07-20
• 링크: arxiv.org/abs/2607.18001
• 핵심 기여: CNN-GRU 정책과 Recurrent PPO 결합으로 시장 중립(alpha-only) 초과 수익 추구.
• 방법: 롱-숏 배분을 시장 베타 제로 제약 하에서 정책 그래디언트로 학습.
• 결과: 시장 방향과 독립적인 초과 수익 프로파일 보고.
• 한계: 실거래 시 롱-숏 페어 청산 비용·차입 비용의 완전 모델링 여부 확인 필요.

B2. SciPhy RL for Portfolio Optimization

• 저자·날짜: Igor Halperin, Andrey Itkin, 2026-07-16
• 링크: arxiv.org/abs/2607.15195
• 핵심 기여: 물리학 기반 RL로 Hamilton-Jacobi-Bellman(HJB) 방정식을 결합한 오프라인 포트폴리오 학습.
• 방법: 오프라인 역사 데이터에서 분포 인식(distribution-aware) 정책을 학습, 실시간 재학습 없이 배분.
• 결과: 표준 오프-폴리시 RL 대비 분포 이동에 강건.
• 한계: HJB 근사 정확도가 상태 공간 차원에 취약. 대규모 유니버스 확장성은 별도 검증 필요.

B3. CLQT: Closed-Loop Benchmark for LLM Portfolio-Management Agents

• 저자·날짜: Bo Qu, Mingguang Chen, 2026-06-29
• 링크: arxiv.org/abs/2606.29771
• 핵심 기여: LLM 포트폴리오 에이전트를 평가하기보다 진단하기 위한 6개 기둥 프레임워크 — 시간 게이트·비용 모델링·전략 일관성 등.
• 방법: 폐루프 시뮬레이터에 시간·비용·거래량 제약을 정확히 명세.
• 결과: 기존 평가 프로토콜의 다수 결함을 노출. "잘 되는 것처럼 보이는" 에이전트가 진단 하에서 실패.
• 한계: 벤치마크 자체가 아직 신규로 커뮤니티 채택 여부는 지켜봐야 함.

B4. RL for Risk-Sensitive Investment Management: Free Energy-Entropy Duality

• 저자·날짜: Sebastien Lleo, Wolfgang Runggaldier, 2026-06-18
• 링크: arxiv.org/abs/2606.20903
• 핵심 기여: 자유 에너지-엔트로피 이중성으로 연속 시간 위험 민감 자산 배분 문제를 재정식화.
• 방법: 지수 효용 최적화를 엔트로피 정규화 RL로 표현.
• 결과: 위험 민감도(θ)가 자연스럽게 엔트로피 온도로 매핑되어 하이퍼파라미터 해석성 확보.
• 한계: 이론 논문 성격이 강하며 대규모 실증은 후속 과제.

B5. Dynamic Multi-Pair Trading DRL for Cryptocurrency

• 저자·날짜: Damian Lebiedź, Robert Ślepaczuk, 2026-06-03
• 링크: arxiv.org/abs/2606.04574
• 핵심 기여: PPO+LSTM으로 결정론적 위험 경계 하 암호화폐 통계적 차익거래.
• 방법: 다중 페어 스프레드를 상태로, 청산 신호를 액션으로 학습. 부트스트랩 검증 수행.
• 결과: 10% 유의 수준에서 통계적으로 유의미한 초과 수익.
• 한계: 암호화폐 특유의 유동성·거래소 신뢰성·자금조달 수수료의 완전 반영은 후속 과제.

B6. ReCAP: Regime-Adaptive Continual Learning for Portfolio Management

• 저자·날짜: Chaofan Pan et al., 2026-05-29
• 링크: arxiv.org/abs/2606.00143
• 핵심 기여: 적응적 레짐 감지 모듈로 시장 데이터를 자동 세분화하는 지속 학습 포트폴리오.
• 방법: 온라인 변화 감지 + 레짐별 서브모델 라우팅.
• 결과: 정적 학습 대비 레짐 전환 구간에서 견고성 향상.
• 한계: 레짐 수·감지 임계값 등 하이퍼파라미터가 성능에 민감.

B7. Regime-Based Portfolio Allocation: HMM + RL

• 저자·날짜: Ajay Kumar Verma et al., 2026-05-27
• 링크: arxiv.org/abs/2605.27848
• 핵심 기여: HMM 레짐 감지 + RL 동적 배분 파이프라인.
• 방법: HMM으로 잠재 레짐 추론 → 레짐 조건부 RL 정책이 배분 결정.
• 결과: 순수 HMM·순수 RL·평균-분산 기준 대비 RL 정책이 가장 높은 위험 조정 성과.
• 한계: HMM 상태 수 선택의 사전 의존성. 레짐 라벨링의 사후 해석에 유의.

B8. DRL Diversified Portfolio Across Global Equity Markets

• 저자·날짜: Kamil Kashif, Robert Ślepaczuk, 2026-05-17
• 링크: arxiv.org/abs/2605.17307
• 핵심 기여: SAC(Soft Actor-Critic)를 글로벌 주식 배분에 적용, 지역 시장별 성과 비교.
• 방법: 다지역 주가지수·환율을 상태로 결합한 SAC 정책.
• 결과: Euro Stoxx 50에서 벤치마크 대비 경쟁력 있는 성과. 다른 지역에서는 혼재된 결과.
• 한계: 지역별 성과 격차의 원인(유동성·정보 효율성) 분석 부재.

[C] 멀티에이전트 트레이딩

C1. Market Regime Council: Multi-Agent LLM + Shapley Credit Assignment

• 저자·날짜: Yunhua Pei et al., 2026-05-23
• 링크: arxiv.org/abs/2605.24490
• 핵심 기여: 지수 가중 성과 이력 기반 Shapley 값 크레딧 할당으로 멀티에이전트 LLM에 동적 가중치.
• 방법: 각 에이전트를 특정 시장 레짐 전문가로 학습, Shapley 근사로 개별 기여도 산정 후 앙상블.
• 결과: 균등 가중·다수결 대비 위험 조정 수익 개선.
• 한계: Shapley 근사 계산 비용이 에이전트 수에 지수적으로 증가.

C2. AgenticAITA: Deliberative Multi-Agent Reasoning for Autonomous Trading

• 저자·날짜: Ivan Letteri, 2026-05-01
• 링크: arxiv.org/abs/2605.12532
• 핵심 기여: 신호-실행 이분 패러다임을 자율 심의 루프(deliberative reasoning loop)로 대체.
• 방법: 전문 에이전트(매크로·기술·리스크·실행)들이 자율 협의를 통해 최종 주문 산출.
• 결과: 5일 검증에서 157회 호출, 마찰률 11.5% 보고.
• 한계: POC 수준의 짧은 관측 창. 장기·다양한 시장 조건에서의 강건성 검증 필요.

C3. Coordination as an Architectural Layer for LLM Multi-Agent Systems

• 저자·날짜: Maksym Nechepurenko, Pavel Shuvalov, 2026-05-05
• 링크: arxiv.org/abs/2605.03310
• 핵심 기여: 다중 에이전트 LLM 시스템의 생산 실패율이 41~87%임을 실증하며 조정을 독립 아키텍처 층으로 분리 제안.
• 방법: 5가지 조정 구성(파이프라인·투표·계층·시장·심의)의 실패 유형·복구율 비교.
• 결과: 조정 층을 명시적으로 설계하지 않으면 개별 에이전트 품질 개선이 무의미해질 수 있음.
• 한계: 실패 정의(무응답·모순·타임아웃)의 조작적 기준이 배포 환경 의존적.

[D] 주문 실행 AI

D1. TT-DAC-PS: Twin-Target Deterministic Actor-Critic for Optimal Trade Execution

• 저자·날짜: Ilia Zaznov et al., 2026-06-07
• 링크: arxiv.org/abs/2606.08379
• 핵심 기여: 대규모 주식 매도 실행 최적화를 위한 트윈-타겟 결정론적 액터-크리틱 + 정책 스무딩.
• 방법: Almgren-Chriss 계열 프레임을 확장한 RL 실행 정책.
• 결과: Implementation shortfall을 다양한 시장 조건에서 일관 감소.
• 한계: 시장 충격 모델의 파라미터 추정이 여전히 사전 캘리브레이션에 의존.

D2. RL for Execution under Dynamic Fees in DEX Simulator

• 저자·날짜: Wen-Ting Wang, 2026-07-12
• 링크: arxiv.org/abs/2607.10960
• 핵심 기여: AMM 동적 수수료 환경의 폐루프 시뮬레이터에서 실행 정책 학습.
• 방법: DQN·PPO 등 후보 정책을 동일 시뮬레이터에서 비교.
• 결과: DQN이 유효 정책 중 유일하게 개선을 입증한 케이스로 보고.
• 한계: 시뮬레이터의 슬리피지·수수료 모델이 특정 DEX 구조에 특화.

[E] 시장 예측 / 감성 분석

E1. VAIOM: Decoder-Only Financial Sequence Modeling

• 저자·날짜: Yiming Ma, Xinyu Chen, 2026-07-15
• 링크: arxiv.org/abs/2607.13929
• 핵심 기여: 외환 바(bar) 단위 확률론적 다음-수익 모델링을 위한 디코더-온리 시퀀스 모델.
• 방법: 연속 입력·이산 출력 구조로 수익 분포 자체를 예측.
• 결과: 모든 모델 구성에서 LightGBM 기준선 상회.
• 한계: 외환 특정 실험. 주식·크립토 일반화는 후속 과제.

E2. Learning Predictive Ambiguity Sets for DRO Portfolio

• 저자·날짜: Junjie Guo, 2026-07-10
• 링크: arxiv.org/abs/2607.09820
• 핵심 기여: 문맥 예측을 분포 강건 최적화(DRO)의 모호성 집합 학습으로 결합.
• 방법: 문맥 조건부 확률 밴드를 학습해 DRO에 주입.
• 결과: 연간 수익 26.28%, 샤프 지수 1.30 보고¹.
• 한계: ¹ 초록 인용치로, 정확 재현·기간·백테스트 조건은 원문 대조 필요. 강건성-수익 트레이드오프의 민감도 분석은 후속 과제.

E3. CryptoGAT: Graph Attention Network for Crypto Forecasting

• 저자·날짜: Yu Peng, Matloob Khushi, Josiah Poon, 2026-06-26
• 링크: arxiv.org/abs/2606.27670
• 핵심 기여: 암호화폐 예측을 교차자산 네트워크로 재구성한 그래프 어텐션 모델.
• 방법: 자산 간 상관·거래량 결합도를 엣지로 삼는 GAT.
• 결과: 최첨단 시계열 모델을 능가.
• 한계: 네트워크 정의(엣지 임계값·정규화) 선택의 성능 민감성.

E4. Hybrid News Sentiment Engine for Market Analysis

• 저자·날짜: Andreas Aigner, 2026-06-02
• 링크: arxiv.org/abs/2606.03457
• 핵심 기여: 렉시콘·TF-IDF·앙상블을 결합한 3중 감성 엔진.
• 방법: 규칙·통계·학습 신호를 뉴스-가격 페어 데이터로 앙상블 학습.
• 결과: CPU 서버에서 1초 미만 처리 — 저지연 인프라 친화.
• 한계: 감성-수익 인과 링크는 상관관계로 보고, 매매 시뮬레이션은 별도.

E5. Multi-modal DL for Stock Price Direction on Earnings Days

• 저자·날짜: Manuel Noseda, Nathan Soldati, Marco Paina, 2026-05-25
• 링크: arxiv.org/abs/2605.25894
• 핵심 기여: 기본·기술 지표·FinBERT 감성을 결합한 멀티모달 실적일 방향 예측.
• 방법: Transformer·CNN·LSTM 비교.
• 결과: Transformer가 변동성 움직임 탐지에서 우수.
• 한계: 실적일 이벤트 스터디에 국한. 정상 시장일 성능 미보고.

E6. Macro-aware Forecasting via Hierarchical Mixed-Frequency Attention (HANET)

• 저자·날짜: Daniel Cunha Oliveira et al., 2026-05-30
• 링크: arxiv.org/abs/2606.00624
• 핵심 기여: 혼합 주파수(일·주·월) 매크로 데이터를 계층적 어텐션으로 통합한 시계열 예측.
• 방법: 각 주파수를 별도 인코더로 처리 후 계층 어텐션 융합.
• 결과: 격동 기간(위기·정책 변경)에서 일관 우수.
• 한계: 매크로 시리즈 선택·전처리 파이프라인이 도메인 지식 의존.

[F] 평가 / 백테스팅 프레임워크

F1. FinBench: Time-Gated Calibration for Agentic Financial Forecasting

• 저자·날짜: Rishab Ghosh, Vinay Devarakonda, 2026-06-24
• 링크: arxiv.org/abs/2607.16229
• 핵심 기여: LLM 예측의 신뢰-역량 간극(confidence-competence gap)을 엄격 시간 게이트로 노출.
• 방법: 정확한 시간 컷오프로 룩어헤드 바이어스 차단 후 캘리브레이션 지표 측정.
• 결과: 다수 LLM이 과잉 확신을 보이며 캘리브레이션 실패.
• 한계: 벤치마크 태스크 커버리지의 대표성은 확장 검증 필요.

F2. Point-in-Time Financial RAG with Market-Feedback

• 저자·날짜: Zijie Zhao, Roy E. Welsch, 2026-05-29
• 링크: arxiv.org/abs/2605.31201
• 핵심 기여: LLM 파인튜닝 없이 시장 피드백으로 검색을 적응 업데이트하는 PIT-RAG.
• 방법: 검색 후 성과 신호를 리트리버 스코어로 역전파.
• 결과: 포트폴리오 샤프가 0.52 → 0.84로 개선.
• 한계: 시장 피드백 지연·잡음이 리트리버 수렴에 미치는 영향의 이론 분석 부재.

F3. FinStressTS: Parametric Synthetic Benchmark for TS Forecasting

• 저자·날짜: Jiaze Sun et al., 2026-06-02
• 링크: arxiv.org/abs/2606.03184
• 핵심 기여: 30개 진단 환경·6가지 메커니즘 패밀리의 파라메트릭 합성 벤치마크.
• 방법: 트렌드·계절성·레짐 전환·헤비테일·시프트 등을 파라미터로 생성.
• 결과: Transformer 계열이 자기회귀·선형 모델에 패배하는 다수 환경 존재.
• 한계: 합성 데이터가 실시장 미시구조 이질성을 온전히 모사하지는 못함.

F4. LOB Prediction Latency-Efficient Architecture

• 저자·날짜: C. Evans Hedges, 2026-06-24
• 링크: arxiv.org/abs/2606.25986
• 핵심 기여: LOB 예측에서 추론-계산 프론티어의 멱법칙 관계 수립 + FastBiNLOB 아키텍처.
• 방법: 지연·정확도 파레토를 스캔해 목표 지점 초과 달성.
• 결과: 성능 목표를 초과 달성하는 저지연 아키텍처 제안.
• 한계: 특정 LOB 데이터셋에서 확립된 스케일링 법칙의 일반성.

[G] 리스크 관리

G1. Can RL Efficiently Discover Price Manipulation?

• 저자·날짜: Ioanna-Yvonni Tsaknaki, Andrea Macrì, Fabrizio Lillo, 2026-07-07
• 링크: arxiv.org/abs/2607.06121
• 핵심 기여: 모델-프리 RL이 모델 기반 접근보다 조작 전략을 더 효율적으로 발견함을 보임.
• 방법: 통제된 시장 시뮬레이터에서 조작(스푸핑·마킹) 전략 발견 효율 비교.
• 결과: 학습 알고리즘의 시장 배포 시 이중 용도 위험 경고. 규제·모니터링 함의 논의.
• 한계: 시뮬레이터 특이성. 실시장 배포에는 시장 미시구조·규제·상대 대응 모델 추가 필요.

5. 관통하는 트렌드

트렌드 1 — 재현성·평가 위기가 최전선 이슈로

세 편 이상의 논문이 서로 다른 각도에서 같은 문제를 지적한다.

• 실행 가정 감사로 30편 재현성 결함 계량화 [Yao & Zheng, 2026-06, https://arxiv.org/abs/2606.08285]
• 시간 게이트 캘리브레이션으로 LLM 과잉 확신 노출 [Ghosh & Devarakonda, 2026-06, https://arxiv.org/abs/2607.16229]
• 파라메트릭 합성 벤치마크로 모델 순위 뒤집힘 실증 [Sun et al., 2026-06, https://arxiv.org/abs/2606.03184]
• 폐루프 LLM 포트폴리오 진단 6개 기둥 [Qu & Chen, 2026-06, https://arxiv.org/abs/2606.29771]

공통 메시지: "잘 되는 것처럼 보이는" 시스템의 다수가 시간·비용·룩어헤드를 엄격히 제어하면 성과가 사라진다. 재현성은 부차적 관심사가 아닌 방법론 그 자체의 문제로 취급되기 시작했다.

트렌드 2 — LLM은 "지식→행동" 간극이 크다

메모리 마스킹 [Zhu et al., 2026-05, https://arxiv.org/abs/2605.28359]·시간 게이트 [Ghosh & Devarakonda, 2026-06, https://arxiv.org/abs/2607.16229]·기술적 분석 실패 감사 [Ntale, 2026-07, https://arxiv.org/abs/2607.15414]가 세 각도에서 같은 결론에 도달한다: LLM이 보고하는 "판단"은 종종 사전 학습된 시장 지식의 재활용이며, 진정한 신호 생성은 마스킹 시 크게 약화된다. 이는 LLM을 의사결정 코어보다 리서치·문서 합성 계층으로 배치하는 것이 현재로선 더 정직한 사용법임을 시사한다 — [Ziółko & Dobrzeniecki, 2026-07, https://arxiv.org/abs/2607.09121] RAG 브리핑이 그 예시.

트렌드 3 — 레짐 인식·적응이 핵심 설계 축

레짐 감지는 더 이상 사전처리가 아닌 정책 아키텍처의 일급 구성 요소로 통합되고 있다.

• 매크로 사이클별 LLM 심의 [Wang et al., 2026-06, https://arxiv.org/abs/2606.08283]
• 지속 학습 + 적응적 레짐 감지 [Pan et al., 2026-05, https://arxiv.org/abs/2606.00143]
• HMM + RL 레짐 조건부 배분 [Verma et al., 2026-05, https://arxiv.org/abs/2605.27848]
• 시장 레짐 카운슬로 크레딧 할당 [Pei et al., 2026-05, https://arxiv.org/abs/2605.24490]
• 혼합 주파수 매크로 어텐션 [Cunha Oliveira et al., 2026-05, https://arxiv.org/abs/2606.00624]

트렌드 4 — 멀티에이전트 조정 그 자체가 병목

• 41~87% 생산 실패율 [Nechepurenko & Shuvalov, 2026-05, https://arxiv.org/abs/2605.03310]
• Shapley 크레딧 할당 [Pei et al., 2026-05, https://arxiv.org/abs/2605.24490]
• 심의 루프 POC(마찰률 11.5%) [Letteri, 2026-05, https://arxiv.org/abs/2605.12532]

개별 에이전트 품질보다 조정 프로토콜이 시스템 성과를 좌우한다는 관찰이 세 논문에서 반복된다.

트렌드 5 — 위험 민감·분포 인식 RL의 세련화

• 물리학 기반 HJB 결합 [Halperin & Itkin, 2026-07, https://arxiv.org/abs/2607.15195]
• 자유 에너지-엔트로피 이중성 [Lleo & Runggaldier, 2026-06, https://arxiv.org/abs/2606.20903]
• 문맥 예측 결합 DRO [Guo, 2026-07, https://arxiv.org/abs/2607.09820]

세 접근은 서로 독립이지만 공통적으로 분포 이동·꼬리 위험·불확실성을 정책 학습의 일차 목표로 삼는다. 표준 기대 수익 최대화 프레임의 시대는 이 서브필드에서는 저물고 있다.

트렌드 6 — 시장 미시구조에 특화된 정책 학습

• 대규모 매도 실행 [Zaznov et al., 2026-06, https://arxiv.org/abs/2606.08379]
• AMM 동적 수수료 실행 [Wang, 2026-07, https://arxiv.org/abs/2607.10960]
• LOB 지연-정확도 파레토 [Hedges, 2026-06, https://arxiv.org/abs/2606.25986]
• 외환 바 단위 시퀀스 모델링 [Ma & Chen, 2026-07, https://arxiv.org/abs/2607.13929]

"거래 결정"과 "거래 실행"의 경계가 흐려지며, 정책 자체가 마이크로세컨드 수준의 미시구조 상태를 상태로 흡수하기 시작했다.

트렌드 7 — RL의 이중 용도(dual-use) 위험 인식

[Tsaknaki et al., 2026-07, https://arxiv.org/abs/2607.06121]은 단일 논문이지만 필드의 규제·안전 담론에 결정적 신호를 준다: 시장에 학습 알고리즘을 배포한다는 것은 조작 전략을 자동 발견할 수 있는 시스템을 배포한다는 것과 동치일 수 있다. 이는 [Kvasiuk et al., 2026-05, https://arxiv.org/abs/2605.23007]이 자체 지적한 p-hacking 리스크와 함께 "학습 시스템의 안전 프로파일" 논의로 확장될 여지가 크다.

6. 발전 방향과 미해결 과제

CONFIRMED 31편의 "한계" 절과 저자 자성적 서술을 종합하면 다음 다섯 방향이 반복된다.

6.1 표준화된 시간 게이트·비용·룩어헤드 프로토콜

여러 감사·진단·벤치마크 논문 [Yao & Zheng, 2026-06, https://arxiv.org/abs/2606.08285], [Qu & Chen, 2026-06, https://arxiv.org/abs/2606.29771], [Ghosh & Devarakonda, 2026-06, https://arxiv.org/abs/2607.16229]이 공통으로 지적하듯 재현 가능한 트레이딩 평가 프로토콜의 커뮤니티 합의가 시급하다. NeurIPS·ICML 등의 트랙 형식으로의 채택이 다음 단계.

6.2 LLM 지식 오염(leakage)의 정량 측정 표준

메모리 마스킹 [Zhu et al., 2026-05, https://arxiv.org/abs/2605.28359] 접근은 유망하나 마스킹 완전성 자체가 근사적이다. 사전학습 시점 이후 시장 데이터로 격리된 평가 셋 구축 관행이 필요하다.

6.3 조정 프로토콜의 형식화

[Nechepurenko & Shuvalov, 2026-05, https://arxiv.org/abs/2605.03310]이 지적한 41~87% 실패율은 개별 LLM 개선으로 해소되지 않는다. 실패 유형 분류·복구 정책·성공 정의 등을 아키텍처 계층 수준에서 형식화하는 후속 연구가 필요하다.

6.4 분포 강건성과 실전 수익의 트레이드오프

위험 민감·DRO 계열 [Halperin & Itkin, 2026-07, https://arxiv.org/abs/2607.15195], [Lleo & Runggaldier, 2026-06, https://arxiv.org/abs/2606.20903], [Guo, 2026-07, https://arxiv.org/abs/2607.09820]은 이론적 강건성을 확보하지만, 보수화가 실전 수익을 얼마나 희생하는지의 표준 지표가 부재하다.

6.5 학습 정책의 안전·규제 프레임

[Tsaknaki et al., 2026-07, https://arxiv.org/abs/2607.06121]과 [Kvasiuk et al., 2026-05, https://arxiv.org/abs/2605.23007]이 각각 조작 리스크·p-hacking을 지적한다. 레드팀 프로토콜·배포 전 안전 감사·시장 감독기관과의 협력 프레임이 후속 과제.

7. 결론

2026년 5~7월 트레이딩 AI 에이전트 문헌 31편은 필드가 낙관적 프로토타이핑 단계에서 방법론적 자기 반성 단계로 이행하는 국면임을 보여준다. LLM 트레이딩 논문의 상당수가 "얼마나 벌 수 있는가"보다 "무엇을 실제로 알고 있는가"를 묻기 시작했고 [Zhu et al., 2026-05, https://arxiv.org/abs/2605.28359], [Ghosh & Devarakonda, 2026-06, https://arxiv.org/abs/2607.16229], RL 포트폴리오는 위험 민감·분포 인식으로 이론적 세련화가 진행 중이다 [Halperin & Itkin, 2026-07, https://arxiv.org/abs/2607.15195], [Lleo & Runggaldier, 2026-06, https://arxiv.org/abs/2606.20903]. 멀티에이전트 시스템은 조정을 별도 계층으로 인식하기 시작했고 [Nechepurenko & Shuvalov, 2026-05, https://arxiv.org/abs/2605.03310], 실행·미시구조 계층은 정책 학습의 자연스러운 확장 대상으로 통합되고 있다 [Zaznov et al., 2026-06, https://arxiv.org/abs/2606.08379], [Hedges, 2026-06, https://arxiv.org/abs/2606.25986].

정직한 커버리지 한계로서 본 서베이는 arXiv 프리프린트 3개월치·31편 표본에 기반하며 재현 실험을 수행하지 않았다. 인용된 성과 수치는 저자 보고치이므로 실무 채택 시 원문·코드·데이터의 독립 재현이 요구된다. 그럼에도 이 스냅샷은 필드의 자기 비판적 성숙과 안전·규제 담론의 부상이라는 명확한 방향성을 확인해 준다.

부록 A: 검증 실패·범위 밖 항목 (투명성)

A.1 OUT-OF-RANGE — 기간 외 배경 논문 (본문 배제)

아래 8편은 실존은 arXiv API로 확인되었으나 제출일이 서베이 범위(2026-05-01 ~ 2026-07-31) 이전이라 본문 인용에서 제외한다. 트렌드 맥락 참고용으로만 나열한다.

A.2 REJECTED / UNVERIFIED

해당 없음. citation-verifier 배치 검증에서 REJECTED·UNVERIFIED 판정이 발생하지 않았다. 후보 39편 전량이 arXiv API 조회로 실존·저자·날짜 일치 확인.

부록 B: 전체 인용 목록 (CONFIRMED 31편)

[A] LLM 기반 트레이딩 에이전트

1. Geofrey Ntale. "AI Trading: Evaluating Large Language Models for Technical Market Analysis." arXiv:2607.15414, 2026-07-16. arxiv.org/abs/2607.15414
2. Junyi Yao, Zihao Zheng. "Beyond Agent Architecture: Execution Assumptions and Reproducibility in LLM-Based Trading Systems." arXiv:2606.08285, 2026-06-06. arxiv.org/abs/2606.08285
3. Yiqing Wang et al. "Macro Economists in the Machine: Multi-Agent LLM Framework for Commodity ETF Portfolio." arXiv:2606.08283, 2026-06-06. arxiv.org/abs/2606.08283
4. Taojie Zhu et al. "From Knowing to Doing: A Memory-Controlled Benchmark for LLM Trading Agents." arXiv:2605.28359, 2026-05-27. arxiv.org/abs/2605.28359
5. Yurii Kvasiuk et al. "MadEvolve: Evolutionary Optimization of Trading Systems with LLMs." arXiv:2605.23007, 2026-05-21. arxiv.org/abs/2605.23007
6. Eugene Park. "Reflexivity as Prompt: LLM Financial Market Forecasters." arXiv:2606.00061, 2026-05-19. arxiv.org/abs/2606.00061
7. Bartosz Ziółko, Kacper Dobrzeniecki. "Augmenting Fundamental Analysis with LLMs: RAG-Based Investor Briefs." arXiv:2607.09121, 2026-07-10. arxiv.org/abs/2607.09121

[B] RL 트레이딩 / 포트폴리오 최적화

8. Boris Belyakov. "AlphaZeroBeta: Deep RL for Market-Neutral Portfolios." arXiv:2607.18001, 2026-07-20. arxiv.org/abs/2607.18001
9. Igor Halperin, Andrey Itkin. "SciPhy Reinforcement Learning for Portfolio Optimization." arXiv:2607.15195, 2026-07-16. arxiv.org/abs/2607.15195
10. Bo Qu, Mingguang Chen. "CLQT: A Closed-Loop Benchmark for LLM Portfolio-Management Agents." arXiv:2606.29771, 2026-06-29. arxiv.org/abs/2606.29771
11. Sebastien Lleo, Wolfgang Runggaldier. "RL for Risk-Sensitive Investment Management: a Free Energy–Entropy Duality Approach." arXiv:2606.20903, 2026-06-18. arxiv.org/abs/2606.20903
12. Damian Lebiedź, Robert Ślepaczuk. "Dynamic Multi-Pair Trading Cryptocurrency via Deep Reinforcement Learning." arXiv:2606.04574, 2026-06-03. arxiv.org/abs/2606.04574
13. Chaofan Pan et al. "ReCAP: Regime-Adaptive Continual Learning for Portfolio Management." arXiv:2606.00143, 2026-05-29. arxiv.org/abs/2606.00143
14. Ajay Kumar Verma et al. "Regime-Based Portfolio Allocation Using HMM and RL." arXiv:2605.27848, 2026-05-27. arxiv.org/abs/2605.27848
15. Kamil Kashif, Robert Ślepaczuk. "Deep RL Framework for Diversified Portfolio Management Across Global Equity Markets." arXiv:2605.17307, 2026-05-17. arxiv.org/abs/2605.17307

[C] 멀티에이전트 트레이딩

16. Yunhua Pei et al. "Market Regime Council for Dynamic Credit Assignment in Multi-Agent LLM Decision Systems." arXiv:2605.24490, 2026-05-23. arxiv.org/abs/2605.24490
17. Ivan Letteri. "AgenticAITA: A POC About Deliberative Multi-Agent Reasoning for Autonomous Trading Systems." arXiv:2605.12532, 2026-05-01. arxiv.org/abs/2605.12532
18. Maksym Nechepurenko, Pavel Shuvalov. "Coordination as an Architectural Layer for LLM-Based Multi-Agent Systems." arXiv:2605.03310, 2026-05-05. arxiv.org/abs/2605.03310

[D] 주문 실행 AI

19. Ilia Zaznov et al. "TT-DAC-PS: Twin-Target Deterministic Actor-Critic with Policy Smoothing for Optimal Trade Execution." arXiv:2606.08379, 2026-06-07. arxiv.org/abs/2606.08379
20. Wen-Ting Wang. "RL for Execution under Dynamic Fees in a Closed-Loop DEX Simulator." arXiv:2607.10960, 2026-07-12. arxiv.org/abs/2607.10960

[E] 시장 예측 / 감성 분석

21. Yiming Ma, Xinyu Chen. "VAIOM: Continuous-Input, Discrete-Output Decoder-Only Financial Sequence Modeling." arXiv:2607.13929, 2026-07-15. arxiv.org/abs/2607.13929
22. Junjie Guo. "Learning Predictive Ambiguity Sets for Decision-Focused DRO." arXiv:2607.09820, 2026-07-10. arxiv.org/abs/2607.09820
23. Yu Peng, Matloob Khushi, Josiah Poon. "CryptoGAT: Are Time Series Models Effective for Cryptocurrency Forecasting?" arXiv:2606.27670, 2026-06-26. arxiv.org/abs/2606.27670
24. Andreas Aigner. "Hybrid News Sentiment Engine: Real-Time Market Analysis via Adaptive Ensemble Learning on News-Price Pairs." arXiv:2606.03457, 2026-06-02. arxiv.org/abs/2606.03457
25. Manuel Noseda, Nathan Soldati, Marco Paina. "Predicting Stock Price Direction on Earnings Announcement Days using Multi-modal Deep Learning." arXiv:2605.25894, 2026-05-25. arxiv.org/abs/2605.25894
26. Daniel Cunha Oliveira et al. "Macro-aware Time Series Forecasting via Hierarchical Mixed-Frequency Attention Models." arXiv:2606.00624, 2026-05-30. arxiv.org/abs/2606.00624

[F] 평가 / 백테스팅 프레임워크

27. Rishab Ghosh, Vinay Devarakonda. "FinBench: Time-Gated Calibration and Uncertainty Benchmarking for Agentic Financial Forecasting." arXiv:2607.16229, 2026-06-24. arxiv.org/abs/2607.16229
28. Zijie Zhao, Roy E. Welsch. "Point-in-Time Financial RAG with Frozen LLMs and Market-Feedback Adaptive Retrieval." arXiv:2605.31201, 2026-05-29. arxiv.org/abs/2605.31201
29. Jiaze Sun et al. "FinStressTS: A Parametric Synthetic Benchmark for Time-Series Forecasting in Finance." arXiv:2606.03184, 2026-06-02. arxiv.org/abs/2606.03184
30. C. Evans Hedges. "The Inference-Compute Frontier and a Latency-Efficient Architecture for Limit Order Book Prediction." arXiv:2606.25986, 2026-06-24. arxiv.org/abs/2606.25986

[G] 리스크 관리

31. Ioanna-Yvonni Tsaknaki, Andrea Macrì, Fabrizio Lillo. "Can Reinforcement Learning Efficiently Discover Price Manipulation?" arXiv:2607.06121, 2026-07-07. arxiv.org/abs/2607.06121

검증 원장: _workspace/03_verification/verdicts.md 후보 목록: _workspace/01_scout/candidates.md 종합 노트: _workspace/04_synthesis/notes.md