중국 공공 부동산 투자 신탁(REITs)을 위한 대규모 언어 모델 기반 다중 에이전트 투자 시스템의 설계 및 실증 연구

Design and Empirical Study of a Large Language Model-Based Multi-Agent Investment System for Chinese Public REITs

본 연구는 변동성이 낮은 중국 공공 부동산 투자 신탁(REITs) 시장에 대한 문제를 해결하기 위해, 다중 에이전트 협업을 기반으로 한 대규모 언어 모델(LLM) 기반 거래 프레임워크를 제안합니다. 시스템은 발표, 이벤트, 가격 모멘텀, 시장의 네 가지 유형의 분석 에이전트를 구성하며, 각 에이전트는 서로 다른 측면에서 분석을 수행합니다. 예측 에이전트는 이러한 다양한 소스 신호를 통합하여 여러 시간 지평대에 걸쳐 방향성 확률 분포를 출력하고, 의사 결정 에이전트는 예측 결과를 기반으로 위험 관리 제약 조건 하에서 이산적인 포지션 조정 신호를 생성합니다. 이를 통해 분석-예측-의사 결정-실행의 폐쇄 루프를 형성합니다. 본 연구는 예측 에이전트의 모델 경로를 두 가지로 비교합니다. 첫 번째는 범용 대규모 모델인 DeepSeek-R1을 직접 사용하는 것이고, 두 번째는 지도 학습 및 강화 학습 정렬을 통해 미세 조정된 특수 소형 모델인 Qwen3-8B를 사용하는 것입니다. 2024년 10월부터 2025년 10월까지의 백테스트 결과, 에이전트 기반 전략은 총 수익, 샤프 지수, 최대 낙폭 측면에서 모두 매수-보류 벤치마크보다 훨씬 우수한 성능을 보였습니다. 이러한 결과는 다중 에이전트 프레임워크가 REITs 거래의 위험 조정 수익률을 효과적으로 향상시킬 수 있으며, 일부 시나리오에서는 미세 조정된 소형 모델이 범용 대규모 모델과 유사하거나 더 나은 성능을 발휘한다는 것을 시사합니다.

This study addresses the low-volatility Chinese Public Real Estate Investment Trusts (REITs) market, proposing a large language model (LLM)-driven trading framework based on multi-agent collaboration. The system constructs four types of analytical agents-announcement, event, price momentum, and market-each conducting analysis from different dimensions; then the prediction agent integrates these multi-source signals to output directional probability distributions across multiple time horizons, then the decision agent generates discrete position adjustment signals based on the prediction results and risk control constraints, thereby forming a closed loop of analysis-prediction-decision-execution. This study further compares two prediction model pathways: for the prediction agent, directly calling the general-purpose large model DeepSeek-R1 versus using a specialized small model Qwen3-8B fine-tuned via supervised fine-tuning and reinforcement learning alignment. In the backtest from October 2024 to October 2025, both agent-based strategies significantly outperformed the buy-and-hold benchmark in terms of cumulative return, Sharpe ratio, and maximum drawdown. The results indicate that the multi-agent framework can effectively enhance the risk-adjusted return of REITs trading, and the fine-tuned small model performs close to or even better than the general-purpose large model in some scenarios.