Strat-LLM: 계층적 전략 정렬을 통한 실시간 다중 소스 신호 기반 LLM 주식 거래

Strat-LLM: Stratified Strategy Alignment for LLM-based Stock Trading with Real-time Multi-Source Signals

대규모 언어 모델(LLM)은 자율 거래 에이전트로 진화하고 있지만, 기존의 벤치마크는 종종 아키텍처적 추론과 전략 일관성 간의 상호 작용을 간과합니다. 본 연구에서는 계층적 전략 정렬(Stratified Strategy Alignment)에 기반한 프레임워크인 Strat-LLM을 제안합니다. Strat-LLM은 2025년 실시간 환경에서 작동하며, 시계열 가격, 실시간 뉴스, 연간 보고서 등 다양한 데이터를 통합하여 미래 정보 활용(look-ahead bias)을 제거합니다. A-주 및 미국 시장에 대한 광범위한 스트레스 테스트 결과, 다음과 같은 사실이 밝혀졌습니다. (1) 추론 능력이 뛰어난 모델은 내부 논리를 통해 자유 모드에서 최적의 성능을 보이는 반면, 일반적인 모델은 중요한 위험 관리 요소인 엄격 모드가 필요합니다. (2) 전략 일관성 유틸리티는 시장 상황에 따라 달라지며, 자유 및 안내 모드는 상승장에서 모멘텀을 포착하는 반면, 엄격 모드는 하락장에서 손실을 완화합니다. (3) 중간 규모 모델(35B)은 엄격한 제약 조건 하에서 최적의 정확도를 보이는 반면, 매우 큰 모델(122B)은 엄격한 규칙 하에서 일관성 유지에 어려움을 겪지만, 안내 모드에서 성능 향상을 보입니다. (4) 일반적인 LLM은 종종 높은 승률 함정에 빠져, 전체 수익을 희생하면서 작은 이익을 최적화하는 경향이 있으며, 이는 심층 추론 또는 엄격한 외부 제어 장치를 통해서만 완화할 수 있습니다. 프로젝트에 대한 자세한 내용은 https://Strat-LLM.github.io 에서 확인할 수 있습니다.

Large Language Models (LLMs) are evolving into autonomous trading agents, yet existing benchmarks often overlook the interplay between architectural reasoning and strategy consistency. We propose Strat-LLM, a framework grounded in Stratified Strategy Alignment. Operating in a live-forward setting throughout 2025, it integrates heterogeneous data including sequential prices, real-time news, and annual reports to eliminate look-ahead bias. Extensive stress tests on A-share and U.S. markets reveal: (1) reasoning-heavy models achieve peak utility in Free Mode via internal logic, whereas standard models require Strict Mode as a vital risk anchor; (2) alignment utility is regime-dependent, with Free and Guided modes capturing momentum in uptrending markets, while Strict Mode mitigates drawdowns in downtrends; (3) mid-scale models (35B) show optimal fidelity under strict constraints, whereas ultra-large models (122B) suffer an alignment tax under rigid rules but gain a performance premium in Guided Mode; (4) standard LLMs often fall into a high win-rate trap, optimizing for small gains at the expense of total returns, which can only be mitigated through deep reasoning or strict external guardrails. Project details are available at https://Strat-LLM.github.io.