Earticle

초록

영어

Modern financial markets simultaneously present two challenges: 'Complexity,' arising from the non-linear interactions between macroeconomic variables and assets, and 'Immediacy,' requiring instantaneous responses at the microsecond (μs) level. While existing Large Language Model(LLM)- based multi-agent systems have demonstrated superior reasoning capabilities, they are limited by hallucinations and slow inference speeds. Conversely, Reinforcement Learning(RL) models offer fast execution but fail to grasp the causal context of the market. To address these issues, drawing inspiration from the Dual Process Theory in cognitive science, this study proposes a "High-Speed Collaborative Trading System via Hypergraph-Grounded Debate and Dual-Process Knowledge Distillation." In the proposed system, the System 2 (Teacher) stage, responsible for deliberative thinking, constructs a dynamic financial hypergraph to precisely infer structural risks. This knowledge is then transferred via Knowledge Distillation to the System 1 (Student) stage, responsible for intuitive thinking, enabling real-time trading through a lightweight neural network. Experimental results using 10 years of large-scale multimodal data, including stocks and derivatives, demonstrate that the proposed model achieved superior profitability (Sharpe Ratio 2.15) and stability (MDD -9.2%) compared to existing state-of-the-art (SOTA) models, particularly during complex crisis scenarios. Notably, the system demonstrated a performance improvement of over 290 times in inference speed, confirming the feasibility of applying high-performance AI in practical financial environments.

한국어

현대 금융 시장은 거시경제 변수와 자산 간의 비선형적 상호작용이라는 '복잡성(Complexity)'과, 밀리초(ms) 단위의 빠른 대응이 요구되는 '즉시성(Immediacy)'이라는 두 가지 난제를 동시에 제시한다. 기존 대규모 언어 모델(LLM) 기반 멀티 에이전트 시스템은 뛰어난 추론 능력을 보였으나 환각(Hallucination) 현상과 느린 추론 속도라는 한계를 가지며, 강화학습(RL) 모델은 빠른 실행 속도에 비해 시장의 인과적 맥락을 파악하지 못하는 문제점을 안고 있다. 본 연구는 이러한 문제를 해결하기 위해 인지과학의 이중 프로세스 이론(Dual Process Theory)에 착안하여, "하이퍼그래프 기반의 근거 중심 토론과 이중 프로세스 지식 증류를 통한 초고속 협력적 트레이딩 시스템"을 제안한다. 제안하는 시스템은 숙고적 사고를 담당하는 System 2 (Teacher) 단계에서 동적 금융 하이퍼그래프를 구축하여 구조적 리스크를 정밀하게 추론하고, 이를 지식 증류(Knowledge Distillation) 기법을 통해 직관적 사고를 담당하는 System 1 (Student) 단계로 전이하여 경량화된 신경망을 통해 실시간 트레이딩을 수행한다. 주식 및 파생상품을 포함한 10년 치의 대규모 멀티모달 데이터 실험 결과, 본 모델은 복합 위기 상황에서 기존 최신(SOTA) 모델들 대비 우수한 수익률(Sharpe Ratio 2.15)과 안정성(MDD -9.2%)을 달성하였다. 특히 추론 속도 측면에서 290배 이상의 성능 향상을 입증함으로써, 고성능 AI의 금융권 실무 적용 가능성을 확인하였다.

목차

요약
Abstract
1. 서론
2. 관련연구
3. 실험 방법
3.1 동적 금융 하이퍼그래프 구축
3.2 그래프 가중치의 동적 재할당
3.3 근거 중심 토론 (Graph-Grounded Debate)
4. 실험 결과
4.1 추론 증류 (Reasoning Distillation) 파이프라인
4.2 System 1 모델 구조 및 입력 데이터
4.3 비동기식 이중 프로세스 운용 전략
5. 실험 및 성능 평가
5.1 실험 환경
5.2 정량적 성과 분석
5.3 사례 연구(Case Study): SVB 파산 사태
5.4 제거 연구(Ablation Study)
6. 결론(Conclusion)
6.1 한계점 및 향후 연구 과제
Acknowledgment
참고문헌
부록 (Appendix)

키워드

동적 금융 하이퍼그래프 이중 프로세스 이론 지식 증류 멀티 에이전트 시스템 뉴로-심볼릭 AI 멀티모달 금융 데이터 Dynamic Financial Hypergraph Dual Process Theory Knowledge Distillation Multi- Agent System Neuro-Symbolic AI Multimodal Financial Data

저자

• 허상훈 [ Sanghun Heo | 충북대학교 산업인공지능학과 ]
• 황영배 [ Youngbae Hwang | 충북대학교 지능로봇공학과 ] 교신저자

참고문헌

발행기관

간행물