Financial-Agent: AI 기반 금융 투자 비서

Posted Nov 23, 2025 Updated Sep 23, 2026

By figure.2

8 min read

프로젝트 기간: 2025.10 ~ 2025.11 (2개월)
목적: 자연어 질문으로 금융 데이터를 조회·분석하고 개인별 투자 위험을 관리하는 AI 에이전트 개발

자연어 질문을 금융 데이터 조회와 분석으로 연결했다

Financial-Agent는 자연어 질문을 해석해 주식 시장 데이터를 조회하고 분석하는 AI 에이전트입니다. 가격 조회, 복합 조건 검색, 기술적 신호 감지, 모호한 질문의 재작성, 개인 투자 성향을 반영한 위험 관리를 각각 독립된 작업으로 나눴습니다.

LangGraph로 작업별 실행 흐름을 분리했다

LangGraph가 상태를 관리하고, 5가지 작업을 하위 그래프로 나눠 실행하도록 설계했습니다.

graph TB
    User[User Input] --> Router{Intent Router}
    
    %% Task 1: 단순 조회
    Router -->|Simple Query| Task1[Task 1: Info Retrieval<br/>SQL Generation]
    
    %% Task 2: 조건 검색
    Router -->|Screening| Task2[Task 2: Screening<br/>Complex Conditions]
    
    %% Task 3: 시그널 감지
    Router -->|Signal| Task3[Task 3: Signal Detection<br/>Technical Analysis]
    
    %% Task 4: 모호성 해결
    Router -->|Ambiguous| Task4[Task 4: Clarification<br/>Rewrite & Ask]
    Task4 -->|Rewritten| Router
    
    %% Task 5: 위험 관리
    Router -->|Risk Analysis| Task5[Task 5: Risk Alert<br/>Personalized Analysis]
    
    %% 결과 통합
    Task1 --> Response[Final Response]
    Task2 --> Response
    Task3 --> Response
    Task5 --> Response

작업 1: 금융 정보 조회

가격, 등락률, 시가총액과 같은 금융 정보를 자연어 질문으로 조회합니다.

기능: 가격 조회, 시장 통계, 순위 확인, 종목 간 비교
예시: “동부건설우의 2024-11-06 시가는?”, “2025-03-15에 KOSDAQ에서 상승한 종목은 몇 개?”

작업 2: 조건에 맞는 종목 검색

여러 조건을 AND 연산으로 결합해 조건에 맞는 종목을 찾습니다.

기능: 등락률, 거래량 급증, 특정 가격대 종목 필터링
예시: “2025-09-05에 KOSPI에서 종가가 10만원 이상이고 거래량이 50만주 이상인 종목 알려줘”

작업 3: 기술적 신호 감지

RSI, 이동평균선, 볼린저밴드 같은 기술적 분석 지표로 매매 신호를 찾습니다.

지원 지표: RSI 과매수/과매도, 골든/데드크로스, 볼린저밴드 터치, 이동평균선 돌파
예시: “2025-01-20에 RSI 과매수(70 이상) 종목을 알려줘”

작업 4: 모호한 질문 보완

축약어와 은어를 풀어 쓰고, 날짜나 종목명처럼 빠진 정보는 사용자에게 다시 묻습니다.

처리 방식:
- 질문 재작성: 축약어(“삼전” -> “삼성전자”), 은어(“떡상” -> “폭등”) 변환
- 추가 확인: 누락된 정보(날짜, 종목명)에 대해 역질문 생성

작업 5: 집중 투자 위험 알림

투자자의 매매 패턴과 마이데이터(투자 성향, 자산 규모)를 분석해 과도한 집중 투자 위험을 경고합니다.

PTPRA 모델: Personalized Trading Pattern Risk Alert
기능: 개인별 위험 임계값 산출, 뉴스 기반 매매 동기 분석, 위험 알림 보고서 생성

구현에 사용한 기술

실행 흐름

LangChain & LangGraph: 에이전트 상태와 작업 흐름 관리
OpenAI GPT-4o: 자연어 이해 및 SQL/JSON 생성
Pandas & NumPy: 금융 데이터 전처리 및 분석

데이터 처리

yfinance: 주식 시장 데이터 수집
SQLAlchemy & SQLite: 로컬 데이터베이스 구축 및 ORM
BeautifulSoup & Selenium: 뉴스 데이터 수집과 관련 내용 강조 표시

실행 환경

Docker: 실행 환경 컨테이너화
FastAPI: REST API 엔드포인트 제공

자연어 질문을 실행 가능한 계획으로 바꾸는 코드

작업 1: 자연어를 SQL로 변환

LLM이 자연어 질문을 구조화된 JSON으로 바꾸면, 실행 계층이 JSON을 SQL 쿼리로 매핑해 조회합니다.

  
def parse_question_with_llm(state: AgentState) -> Dict[str, Any]:
    # LLM을 통해 자연어를 구조화된 JSON으로 변환
    # 지원 task_type: PRICE_INQUIRY, MARKET_STATISTICS, RANKING 등
    pass

def execute_plan(state: AgentState) -> Dict[str, Any]:
    # 분석된 JSON 계획을 SQL 쿼리로 변환하여 데이터베이스 조회 실행
    # 예: {"task_type": "PRICE_INQUIRY", "stock": "삼성전자"} 
    # -> SELECT open, close FROM stocks WHERE name='삼성전자' ...
    pass

작업 5: 개인별 위험 임계값 계산

투자자의 성향과 생애주기(나이)를 반영해 개인별 위험 임계값을 계산합니다.

  
def analyze_risk_patterns(state: AgentState) -> Dict[str, Any]:
    # 1. 개인화 임계치 계산
    # 투자성향 한도(예: 위험중립형 60%) × 생애주기 계수(예: 20대 0.3)
    personalized_threshold = profile_limit * age_factor
    
    # 2. 포트폴리오 집중도 계산
    concentration = stock_value / total_asset
    
    # 3. 위험 경고 여부 판단
    if concentration > personalized_threshold:
        return create_risk_alert(stock_name, concentration, personalized_threshold)
    return {"status": "SAFE"}

설계 과정에서 익힌 것

에이전트 실행 흐름: LangGraph로 순환과 분기가 있는 실행 흐름을 설계하며 LLM 애플리케이션의 제어 지점을 나눴습니다.
자연어를 SQL로 변환(Text-to-SQL): 자연어 질문을 정확한 SQL로 변환하도록 프롬프트에 스키마 정보를 구성하고, LLM의 환각을 제어하는 프롬프트 작성 방법을 익혔습니다.
금융 규칙 반영: 은어, 기술적 지표, 위험 관리 이론을 처리 로직에 반영해 금융 질문에 맞는 도구로 발전시켰습니다.

Financial-Agent: AI 기반 금융 투자 비서