포트폴리오 투자를 위한 자율형 AI 기반 심층 분석 시스템 설계

Designing Agentic AI-Based Screening for Portfolio Investment

본 논문에서는 포트폴리오 관리를 위한 새로운 자율형 인공지능(AI) 플랫폼을 소개합니다. 저희의 아키텍처는 세 가지 계층으로 구성됩니다. 첫째, 두 개의 대규모 언어 모델(LLM) 에이전트가 전문적인 작업을 수행합니다. 하나의 에이전트는 긍정적인 기본 지표를 가진 기업을 선별하고, 다른 에이전트는 긍정적인 뉴스 기사를 가진 기업을 선별합니다. 둘째, 이러한 에이전트들은 대규모 포트폴리오에서 매수 및 매도 신호를 생성하고 합의하여, 후보 자산의 범위를 크게 좁힙니다. 마지막으로, 고차원 정밀 행렬 추정 절차를 적용하여 최적의 포트폴리오 비중을 결정합니다. 저희 프레임워크의 중요한 이론적 특징은 포트폴리오에 포함된 자산의 수는 심층 분석 과정을 통해 결정되는 확률 변수라는 점입니다. '합리적인 심층 분석'이라는 개념을 도입하고, 경미한 심층 분석 오류 하에서 심층 분석된 포트폴리오의 제곱 샤프 비율이 목표 값을 일관되게 추정함을 증명합니다. 실증적으로, 저희 방법은 2020년부터 2024년까지 S&P 500 데이터를 사용하여 평가했을 때, 심층 분석을 거치지 않은 기준 포트폴리오 및 기존의 심층 분석 방법에 비해 우수한 샤프 비율을 달성했습니다.

We introduce a new agentic artificial intelligence (AI) platform for portfolio management. Our architecture consists of three layers. First, two large language model (LLM) agents are assigned specialized tasks: one agent screens for firms with desirable fundamentals, while a sentiment analysis agent screens for firms with desirable news. Second, these agents deliberate to generate and agree upon buy and sell signals from a large portfolio, substantially narrowing the pool of candidate assets. Finally, we apply a high-dimensional precision matrix estimation procedure to determine optimal portfolio weights. We show, through information acquisition theory, that screening with agentic AI can bring utility gains in screening compared with humans. We introduce the concept of \emph{sensible screening} and establish that, under mild screening errors, the squared Sharpe ratio of the screened portfolio consistently estimates its target. Empirically, our method achieves superior Sharpe ratios relative to an unscreened baseline portfolio and to conventional screening approaches, evaluated on S\&P~500 data over both short and medium terms.