[심층분석] 논문 읽고 전략 만들고 스스로 폐기까지 하는 AI 트레이더, Vibe-Trading 뜯어보기

들어가며: '바이브 코딩' 다음은 '바이브 트레이딩'이라고요?

작년부터 개발자 커뮤니티에서 '바이브 코딩(vibe coding)'이라는 말이 유행했죠. AI한테 대화하듯 시키면 코드가 나오는, 그런 개발 방식을 가리키는 말인데요. 이 흐름이 이제 투자 영역으로 넘어왔어요. 홍콩대학교 데이터사이언스 연구실(HKUDS)이 공개한 오픈소스 프로젝트 'Vibe-Trading'이 바로 그 주인공이에요.

HKUDS는 사실 이 바닥에서 꽤 알려진 연구실이거든요. RAG를 그래프 구조로 개선한 LightRAG, 에이전트가 에이전트를 만드는 AutoAgent 같은 프로젝트로 이미 여러 번 주목받았어요. 그런 팀이 이번엔 '명령 한 줄로 당신의 에이전트에게 종합적인 트레이딩 능력을 부여한다'는 슬로건을 들고 나온 거예요. 단순한 주가 조회 봇이 아니라, 전략을 만들고 검증하고 관리하는 것까지 노리는 프로젝트라서 한번 제대로 뜯어볼 만해요.

Vibe-Trading이 뭐냐면

한 문장으로 요약하면 'LLM 에이전트에게 붙이는 트레이딩 전용 손발'이에요. 저장소 구조를 보면 agent(에이전트 로직), tools(시세 조회·주문·분석 도구 모음), frontend(대시보드)로 나뉘어 있는데요. 핵심 설계 철학은 에이전트가 직접 시장 데이터를 불러오고, 전략을 세우고, 모의 계좌에서 굴려보는 전 과정을 도구 호출로 처리하게 만드는 거예요.

여기서 중요한 개념 두 가지만 짚고 갈게요.

• Shadow Account(섀도 계좌): 이게 뭐냐면, 실제 돈이 오가지 않는 모의투자 계좌예요. 에이전트가 세운 전략을 진짜 시장 데이터 위에서 '가상으로' 돌려보는 안전장치죠. 게임으로 치면 랭크전 들어가기 전에 연습 모드부터 뛰는 셈이에요.
• MCP 지원: MCP(Model Context Protocol)는 쉽게 말해 'AI에게 도구를 꽂는 표준 규격 콘센트'예요. Vibe-Trading이 MCP 서버를 제공한다는 건, Claude Code든 다른 에이전트든 이 콘센트에 꽂기만 하면 트레이딩 기능을 바로 쓸 수 있다는 뜻이거든요. 특정 앱에 갇히지 않는 게 요즘 에이전트 생태계의 흐름인데, 그걸 충실히 따르고 있어요.

핵심 기능 뜯어보기: 논문을 전략으로 바꾸는 Strategy Development Manager

최근 업데이트에서 제일 흥미로운 건 'strategy-dev-manager'라는 스킬이에요. 이게 하는 일이 뭐냐면, 학술 논문이나 증권사 리서치 자료를 읽고 그걸 실행 가능한 팩터와 전략으로 등록해주는 것이거든요.

'팩터'라는 말이 낯설 수 있는데요. 쉽게 말해 '주가가 오를 종목을 골라내는 판단 기준'이에요. 예를 들어 '최근 3개월 수익률이 좋았던 종목이 계속 좋더라'는 모멘텀 팩터, '이익 대비 싼 종목이 결국 오르더라'는 밸류 팩터 같은 거죠. 퀀트 헤지펀드에서는 사람이 논문을 읽고 이런 팩터를 코드로 구현하는 데 몇 주씩 걸리는데, 그 과정을 에이전트가 대신해주겠다는 거예요.

더 재밌는 건 등록 이후예요. 이 스킬은 전략의 생애주기를 active → monitoring → decayed → disabled 네 단계로 관리해요. 왜 이런 게 필요하냐면, 퀀트 세계에는 '알파 붕괴(alpha decay)'라는 유명한 현상이 있거든요. 어떤 전략이 돈이 된다는 게 알려지면 다들 따라 하고, 그러면 수익 기회가 사라져버리는 거예요. 맛집이 방송 타면 줄이 길어져서 더는 '가성비 맛집'이 아니게 되는 것과 똑같아요.

그래서 Vibe-Trading은 IC와 샤프 지수의 감쇠를 자동으로 모니터링해요.

• IC(Information Coefficient): 팩터의 예측이 실제 수익률과 얼마나 맞아떨어지는지 재는 상관계수예요. 일기예보의 적중률 같은 거라고 보면 돼요.
• 샤프 지수(Sharpe Ratio): 감수한 위험 대비 얼마나 벌었는지를 재는 지표고요. 똑같이 10%를 벌어도 롤러코스터를 탄 전략보다 잔잔하게 번 전략의 샤프가 높아요.

데이터 파이프라인도 꽤 꼼꼼해요

자잘해 보이지만 실전에서 중요한 개선들도 계속 쌓이고 있어요. 로컬 데이터 로더가 OHLCV(시가·고가·저가·종가·거래량) 리샘플링을 지원해서, 1분봉 데이터만 있어도 요청한 시간 간격의 봉으로 다시 묶어주고요. 데이터 소스 하나가 실패하면 다음 소스로 자동으로 넘어가는 폴백 체인도 정비됐어요.

바이낸스 무기한 선물(USD-M perpetual) 지원이 들어온 것도 눈에 띄는데요. 여기서 체결 가격과 마크 가격을 분리해서 다루는 게 포인트예요. 선물 시장에서는 실제 거래가 체결되는 가격과, 청산 여부를 판정하는 기준 가격(마크 가격)이 달라요. 이 둘을 뭉뚱그리면 백테스트에서는 멀쩡했던 전략이 실전에서 억울하게 청산당하는 일이 생기거든요. 이런 디테일을 챙긴다는 건 만든 사람들이 실제 트레이딩의 함정을 알고 있다는 신호예요. LLM 쪽에서도 Requesty 같은 OpenAI 호환 게이트웨이를 지원해서, 특정 모델 업체에 종속되지 않게 해둔 것도 실용적인 선택이고요.

업계 맥락: 기존 도구들과 뭐가 다른가

퀀트 개발을 해본 분이라면 Backtrader, Zipline, QuantConnect 같은 이름이 떠오를 텐데요. 이들과의 차이를 비유하자면 이래요. 기존 백테스팅 프레임워크는 좋은 주방 도구 세트예요. 칼도 냄비도 훌륭하지만, 레시피는 요리사(개발자)가 직접 짜야 하죠. FinGPT 같은 금융 특화 LLM은 요리 평론가에 가까워요. 시장을 읽고 분석은 해주는데, 직접 조리하는 손이 없어요. Vibe-Trading은 그 사이를 노려요. 레시피(논문)를 읽고, 시제품(전략)을 만들고, 시식(섀도 계좌 검증)까지 하고, 맛이 갔으면 메뉴에서 내리는 견습 요리사를 목표로 하는 거죠.

물론 견습이라는 점이 중요해요. LLM이 전략을 '그럴듯하게' 만들어내는 것과 그 전략이 실제로 돈이 되는 건 완전히 다른 문제거든요. 백테스트에서만 잘 나오게 과최적화된 전략, 데이터를 잘못 해석한 환각 등 함정이 널려 있어요. 그래서 decay 모니터링 같은 자기 검증 장치를 아키텍처에 박아 넣은 이 프로젝트의 방향성이 오히려 현실적이라고 평가할 수 있어요.

한 가지 꼭 짚을 게 있는데요. 프로젝트 팀이 저장소 최상단에 사칭 스캠 경고를 걸어놨어요. 프로젝트 이름을 도용한 X 계정과 토큰 컨트랙트가 돌아다니는데, 공식적으로 어떤 토큰도 발행한 적이 없으니 지갑을 연결하거나 서명하지 말라는 내용이에요. 요즘 인기 오픈소스 프로젝트를 사칭한 코인 사기가 하나의 패턴이 됐다는 방증이기도 하니, 이런 류의 프로젝트를 접할 때는 공식 저장소 외의 채널을 일단 의심하는 습관이 필요해요.

한국 개발자에게 주는 시사점

금융에 관심 있는 개발자라면 학습 교재로 정말 좋아요. 파이썬 프로젝트고, pyproject.toml에 Docker 구성까지 갖춰져 있어서 진입 장벽이 낮아요. 추천 로드맵은 이래요. 먼저 docker-compose로 띄워서 섀도 계좌로만 굴려보고, tools 디렉토리에서 데이터 로더 폴백 체인이 어떻게 구현됐는지 읽어보고, 마지막으로 strategy-dev-manager의 생애주기 상태 머신을 분석해보는 순서요. 특히 마지막 부분은 트레이딩과 무관하게 'AI가 만든 산출물의 품질을 시간에 따라 추적하고 자동 퇴역시키는 패턴'이라서, 사내 ML 모델 관리나 추천 시스템에도 그대로 차용할 수 있는 아이디어거든요.

기여 관점에서도 기회가 보여요. 이 프로젝트는 한국어 README를 공식 제공하고, 최근 머지된 PR들을 보면 외부 기여자 이름이 줄줄이 나와요. 거래소 커넥터나 데이터 로더처럼 경계가 명확한 모듈 단위로 기여를 받고 있어서, 한국투자증권 OpenAPI 같은 국내 증권사 연동 커넥터는 꽤 매력적인 기여 아이템이 될 수 있어요.

다만 실계좌 연결은 완전히 다른 차원의 문제라는 것만은 분명히 할게요. 이 프로젝트는 버전이 아직 0.1.x대의 실험적 소프트웨어고, AI 에이전트의 판단 오류는 곧바로 금전 손실로 이어져요. 배우는 용도, 섀도 계좌 용도로 접근하는 게 맞아요.

마무리: 에이전트가 '직업 훈련'을 받기 시작했다

Vibe-Trading이 흥미로운 건 트레이딩 그 자체보다, 범용 에이전트에게 특정 직무의 숙련 기술을 통째로 이식하는 방식을 보여주기 때문이에요. 전략을 만들고, 성과를 계량하고, 낡은 것을 폐기하는 순환 구조는 사실 어느 전문직에나 있는 워크플로거든요. 트레이딩에서 이게 작동한다면 다음은 마케팅, 채용, 연구 어디든 될 수 있어요.

여러분은 어떻게 보세요? AI 에이전트에게 모의 계좌라도 하나 맡겨볼 의향이 있으신가요, 아니면 돈 문제만큼은 아직 사람 손을 떠나면 안 된다고 보시나요? 실제로 퀀트나 자동매매를 해보신 분들의 경험담도 댓글로 나눠주시면 좋겠어요.