atlas-gic: 프롬프트를 가중치로 삼아 스스로 개선하는 멀티 에이전트 트레이딩 프레임워크

9bow · 6월 23, 2026, 8:30오전

atlas-gic 소개

대규모 언어 모델을 어떤 작업에 맞춰 개선할 때 보통은 가중치를 다시 학습합니다. atlas-gic(ATLAS)은 이 발상을 뒤집어, 모델 가중치 대신 에이전트의 프롬프트를 조정 대상으로 두고 시장 성과를 기준으로 스스로 개선하는 멀티 에이전트 트레이딩 프레임워크입니다. General Intelligence Capital이 공개했으며, Andrej Karpathy가 제안한 오토리서치(autoresearch) 아이디어를 금융 시장에 적용한 사례입니다.

이 프로젝트의 핵심 관점은 한 문장으로 요약됩니다. 저자는 "에이전트 프롬프트가 가중치이고, 샤프지수(Sharpe ratio)가 손실함수이며, GPU는 필요 없다" 라고 설명합니다. 25개의 에이전트가 매일 시장을 두고 토론하고, 각 추천은 실제 결과와 대조해 점수가 매겨집니다. 성과가 가장 나쁜 에이전트의 프롬프트를 고쳐 보고, 성과가 개선되면 git 커밋으로 변경을 남기고 그렇지 않으면 되돌립니다.

다만 분명히 해 둘 점이 있습니다. 저장소는 프레임워크 구조와 오토리서치 루프 설계, 백테스트 결과, 방법론 문서, 그리고 일반적인 예시(placeholder) 프롬프트를 공개하지만, 실제로 학습된 에이전트 프롬프트와 CIO의 운용 규칙, 라이브 포지션, 인프라는 비공개입니다. PyTorchKR은 이번에 atlas-gic의 오토리서치 루프와 4계층 에이전트 구조, 다윈식 가중치, 그리고 공개된 백테스트 결과를 정리합니다.

이 글은 프롬프트 및 샤프 지수를 사용하여 스스로 개선하는 에이전트를 다중 에이전트 프레임워크 프로젝트를 소개하는 글로, 파이토치 한국 사용자 모임은 인공지능 기술이 금융 분야에서 어떻게 활용될 수 있는지 가능성과 그 방법에 대한 소개를 하는 것입니다. 즉, 어떠한 경우에도 파이토치 한국 사용자 모임 및 이 글은 투자를 권유, 제안, 또는 추천하려는 목적으로 작성한 것이 아님을 알려드리며, 투자에 대한 조언을 구성하지 않습니다.

atlas-gic의 오토리서치 루프

오토리서치 루프는 Karpathy가 제안한 패턴을 거의 그대로 따르되 대상만 바꿉니다. Karpathy의 버전이 학습 코드를 수정하고 5분짜리 GPU 학습을 돌린 뒤 검증 손실을 보고 유지하거나 되돌린다면, ATLAS는 롤링 샤프지수로 가장 나쁜 에이전트를 찾아 프롬프트를 한 군데 수정하고, 5거래일 동안 돌린 뒤 그 에이전트의 샤프지수가 개선됐는지 확인해 유지하거나 되돌립니다.

여기서 에이전트 프롬프트가 최적화 대상인 가중치 역할을 하고, 매 거래일이 한 번의 학습 반복에 해당합니다. 저자의 표현을 빌리면 월 20달러짜리 가상 머신이 H100을 대체하는 구조입니다. 헤더 이미지가 이 루프(최악 에이전트 선정 → 프롬프트 수정 → 5거래일 평가 → 유지 또는 되돌리기)를 요약합니다.

atlas-gic의 4계층 에이전트 구조

ATLAS의 25개 에이전트는 네 개의 계층으로 나뉘고, 각 계층의 출력이 다음 계층의 입력이 됩니다.

거시(Macro) 10개 에이전트: 중앙은행, 지정학, 중국, 달러, 수익률 곡선, 원자재, 변동성, 신흥국, 뉴스 심리, 기관 자금 흐름을 담당하며 시장 국면(위험 선호 또는 회피)을 설정합니다.
섹터 데스크(Sector Desks) 7개 에이전트: 반도체, 에너지, 바이오테크, 소비재, 산업재, 금융을 맡고, 공급망과 지분 관계, 경쟁 구도를 추적하는 관계 매퍼가 더해집니다.
슈퍼투자자(Superinvestors) 4개 에이전트: Druckenmiller(거시·모멘텀), Aschenbrenner(AI·컴퓨팅), Baker(딥테크·바이오), Ackman(퀄리티 컴파운더)의 투자 철학으로 섹터 후보를 거릅니다.
결정(Decision) 4개 에이전트: 모든 아이디어를 공격하는 적대적 리스크 책임자(CRO), 아무도 언급하지 않은 종목을 찾는 알파 디스커버리, 신호를 실제 주문으로 바꾸는 자율 실행, 그리고 앞선 계층을 종합해 최종 결정을 내리는 CIO로 구성됩니다.

저자는 이 구조에서 얻은 교훈으로 "종합·결정 계층이 병목" 이라는 점을 강조합니다. 개별 에이전트의 지능을 높이는 것만으로는 한계가 있고, 신호를 사이즈가 정해진 포지션으로 바꾸는 오케스트레이션 계층이 성과를 좌우한다는 관찰입니다.

atlas-gic의 다윈식 가중치

각 에이전트는 0.3(거의 침묵)에서 2.5(높은 신뢰) 사이의 가중치를 가집니다. 하루가 지나면 상위 사분위 에이전트는 가중치에 1.05를 곱하고, 하위 사분위는 0.95를 곱합니다. CIO는 이 점수에 비례해 각 에이전트의 입력에 가중치를 둡니다. 시간이 지나면 성과가 좋은 에이전트의 목소리가 커지고 나쁜 에이전트는 작아지므로, 시스템이 누구를 신뢰할지 학습하는 셈입니다.

atlas-gic의 백테스트 결과

프로젝트가 공개한 18개월 백테스트(2024년 9월~2026년 3월, 378거래일)에 따르면, 시도한 54건의 프롬프트 수정 중 16건(30%)이 유지되고 37건(70%)이 되돌려졌습니다. 개별 에이전트 단위에서도 금융 에이전트의 샤프지수가 -4.14에서 0.45로, 반도체가 -0.26에서 -0.06으로 개선됐다고 보고됩니다.

여기 제시된 수치는 모두 프로젝트가 자체적으로 제시한 백테스트 결과이며, 독립적으로 검증된 실거래 성과가 아닙니다. 학습된 프롬프트가 비공개인 점과 함께 고려하면, 이 글의 성과 수치는 투자 판단의 근거가 아니라 방법론을 이해하기 위한 참고 자료로 보는 편이 적절합니다. 기술 스택으로는 에이전트에 Claude Sonnet(Anthropic API)을 쓰고, 데이터는 FMP·Finnhub·Polygon·FRED에서 받으며, 전체 백테스트 비용은 약 50~80달러라고 밝히고 있습니다.

atlas-gic의 라이선스

atlas-gic은 MIT 라이선스로 공개되어 있어 개인 및 상업적 목적으로 자유롭게 사용할 수 있습니다. 다만 위에서 언급했듯 학습된 에이전트 프롬프트 등 핵심 자산은 저장소에 포함되어 있지 않습니다.

General Intelligence Capital 홈페이지

atlas-gic 프로젝트 GitHub 저장소

더 읽어보기

이 글은 GPT 모델로 정리한 글을 바탕으로 한 것으로, 원문의 내용 또는 의도와 다르게 정리된 내용이 있을 수 있습니다. 관심있는 내용이시라면 원문도 함께 참고해주세요! 읽으시면서 어색하거나 잘못된 내용을 발견하시면 덧글로 알려주시기를 부탁드립니다.

파이토치 한국 사용자 모임이 정리한 이 글이 유용하셨나요? 회원으로 가입하시면 주요 글들을 이메일로 보내드립니다!
텔레그램(Telegram)이나 Slack/Discord/Teams/Dooray/GoogleChat 등으로도 새 글 알림을 받으실 수 있습니다.

아래쪽에 좋아요를 눌러주시면 새로운 소식들을 정리하고 공유하는데 힘이 됩니다~