금융 AI 오픈소스 프로젝트 비교

금융 AI 오픈소스에서 최근 가장 눈에 띄는 프로젝트 중 하나는 TauricResearch/TradingAgents 입니다. GitHub star는 약 79.8K에 이르며 프로젝트 설명도 명확합니다. LLM 기반 에이전트들이 실제 트레이딩 조직처럼 역할을 나눠 시장을 분석하고 토론하고 투자 판단을 만듭니다. 단순한 주가 예측 모델이라기보다, 헤지펀드의 의사결정 구조를 소프트웨어 아키텍처로 옮긴 프로젝트에 가깝습니다.

TradingAgents의 구조는 직관적입니다. 기본적 분석가, 감성 분석가, 뉴스 분석가, 기술적 분석가가 각자 시장을 읽고 Bull/Bear 연구자가 서로 다른 관점에서 논쟁합니다. 이후 Trader Agent와 Risk Management, Portfolio Manager가 의사결정 흐름을 이어받습니다. 이 구조가 흥미로운 이유는 “AI가 매매합니다”보다 “금융 조직의 판단 과정을 에이전트 그래프로 재구성합니다”는 점에 있습니다.

비슷한 고인기 프로젝트를 같이 보면 금융 AI 오픈소스의 방향은 크게 네 갈래로 나뉩니다.

프로젝트Stars핵심 성격TradingAgents와의 차이
TradingAgents~79.8KLLM 멀티 에이전트 기반 트레이딩 의사결정헤지펀드 조직 모방, 토론 기반 판단
OpenBB~68.1K금융 데이터 플랫폼, 분석가·퀀트·AI 에이전트용 데이터 인프라트레이딩 판단보다는 데이터 연결·소비 레이어 중심
Qlib~43.5KMicrosoft의 AI 지향 퀀트 투자 플랫폼ML/RL 기반 리서치·백테스트·포트폴리오 파이프라인 중심
FinGPT~20.3K금융 특화 오픈소스 LLM 프로젝트금융 LLM·파인튜닝·감성분석·로보어드바이징 기반
AI-Trader~18.8K에이전트 네이티브 소셜 트레이딩 플랫폼신호 공유, 브로커 연동, copy trading 중심
FinRL~15.2K금융 강화학습 프레임워크LLM 토론보다 DRL 에이전트 학습·실험 중심
RD-Agent~13.2KR&D 자동화 에이전트, Quant R&D 시나리오 포함트레이딩 에이전트보다 factor/model 연구 자동화 중심
FinRobot~7K금융 리서치 자동화용 AI Agent 플랫폼종목 리서치 보고서, 밸류에이션, 리스크 분석 중심

OpenBB는 TradingAgents와 직접 경쟁하는 프로젝트라기보다는 하단 인프라에 가깝습니다. OpenBB는 분석가, 퀀트, AI 에이전트를 위한 금융 데이터 플랫폼입니다. proprietary, licensed, public data source를 연결하고 Python·Workspace·Excel·MCP server·REST API 등 여러 표면으로 노출하는 구조입니다. 금융 AI 에이전트가 실제로 쓸 데이터 레이어를 만든다는 점에서 중요합니다.

Qlib은 더 전통적인 퀀트 리서치 플랫폼입니다. Microsoft가 공개한 AI-oriented quantitative investment platform이며 supervised learning, market dynamics modeling, reinforcement learning을 지원합니다. 데이터 처리, 모델 학습, 백테스트, alpha seeking, risk modeling, portfolio optimization, order execution까지 이어지는 전체 ML 파이프라인을 제공합니다. TradingAgents가 사람 조직의 판단 과정을 모방한다면, Qlib은 퀀트 리서치 공정을 체계화한 플랫폼에 가깝습니다.

FinGPT는 금융 LLM 쪽의 대표 프로젝트입니다. AI4Finance Foundation이 관리하는 open-source financial large language model 프로젝트이며 감성 분석, 로보어드바이징, 알고리즘 트레이딩 등 금융 특화 LLM 활용을 전면에 둡니다. TradingAgents가 여러 역할의 에이전트 조합이라면, FinGPT는 금융 도메인에 맞춘 언어모델 자체를 만드는 방향입니다.

AI-Trader는 성격이 다릅니다. AI-Trader는 agent-native trading platform을 표방하며 에이전트가 신호를 발행하고 토론하고 다른 에이전트나 사용자의 거래를 따라갈 수 있는 구조를 제시합니다. 주요 기능도 collective intelligence trading, cross-platform signal sync, one-click copy trading, paper trading에 맞춰져 있습니다. TradingAgents가 “판단 조직”을 만든다면, AI-Trader는 “에이전트가 참여하는 거래 커뮤니티와 copy trading 플랫폼”에 가깝습니다.

FinRL은 LLM 이전 세대의 금융 AI 실험을 대표합니다. FinRL은 금융 강화학습을 위한 오픈소스 프레임워크로, market environments, DRL agents, financial applications의 세 레이어를 중심으로 구성됩니다. TradingAgents가 LLM 토론과 설명 가능한 판단 구조에 강하다면, FinRL은 A2C, DDPG, PPO, SAC, TD3 같은 강화학습 알고리즘을 활용한 학습·백테스트·연구 프로토타이핑에 강합니다.

RD-Agent는 금융 전용 프로젝트는 아니지만 Quant R&D 관점에서는 함께 볼 만합니다. Microsoft는 RD-Agent를 데이터와 모델 중심 R&D를 자동화하는 에이전트로 설명하며 Quant 시나리오에서는 factor mining과 model optimization을 자동화하는 multi-agent framework로 소개합니다. TradingAgents가 “투자 판단 회의”를 에이전트화했다면, RD-Agent는 “퀀트 연구 개발 과정”을 에이전트화한 쪽입니다.

FinRobot은 TradingAgents와 가장 직접적으로 비교하기 좋은 프로젝트 중 하나입니다. FinRobot은 금융 애플리케이션에 특화된 AI Agent 플랫폼으로, LLM, reinforcement learning, quantitative analytics를 결합해 investment research automation, algorithmic trading strategies, risk assessment를 지원한다고 설명합니다. 특히 FinRobot Pro는 재무 데이터 수집, 재무 예측, DCF 밸류에이션, peer comparison, 전문 리서치 보고서 생성을 강조합니다.

TradingAgents의 인기는 수익률 검증 하나로만 설명하기 어렵습니다. 더 중요한 것은 금융 업무를 “역할 기반 에이전트 조직”으로 재구성했다는 점입니다. OpenBB는 데이터 레이어, Qlib은 퀀트 리서치 파이프라인, FinGPT는 금융 LLM, AI-Trader는 소셜 트레이딩, FinRL은 강화학습, RD-Agent는 연구 자동화, FinRobot은 리서치 보고서 자동화에 가깝습니다.

금융 AI 오픈소스를 볼 때는 “무엇이 더 잘 맞히는가”만 보면 놓치는 것이 많습니다. 실제 차이는 더 앞단에 있습니다. 어떤 프로젝트는 데이터를 연결하고 어떤 프로젝트는 모델을 학습시키며 어떤 프로젝트는 리서치 보고서를 만들고 어떤 프로젝트는 투자 조직의 의사결정 흐름을 흉내 냅니다.

TradingAgents가 보여준 것은 AI 금융 서비스의 한 가지 방향입니다. 앞으로 중요한 질문은 “AI가 매매할 수 있는가”보다 “AI가 어떤 근거와 역할 분담으로 금융 판단을 만들고 사용자는 그 판단을 어떻게 검증할 수 있는가”에 가까워질 가능성이 큽니다.

투자 판단은 모델 하나의 답변으로 끝나지 않습니다. 데이터 출처, 분석 역할, 토론 과정, 리스크 검토, 실행 가능성까지 함께 보여줘야 합니다. 그래서 금융 AI 에이전트의 경쟁력은 단순한 예측 정확도보다 판단 구조를 얼마나 투명하게 제품화하느냐 에서 갈릴 수 있습니다.

이 글은 오픈소스 프로젝트 비교를 위한 기술 큐레이션이며, 특정 투자 전략이나 종목 매매를 권유하는 내용이 아닙니다.

관련 오픈소스 링크