FinCon: A Synthesized LLM Multi-Agent System with Conceptual Verbal Reinforcement for Enhanced Financial Decision Making

Large language models (LLMs) have demonstrated notable potential in conducting complex tasks and are increasingly utilized in various financial applications. However, high-quality sequential financial investment decision-making remains challenging. These tasks require multiple interactions with a volatile environment for every decision, demanding sufficient intelligence to maximize returns and manage risks. Although LLMs have been used to develop agent systems that surpass human teams and yield impressive investment returns, opportunities to enhance multi-sourced information synthesis and optimize decision-making outcomes through timely experience refinement remain unexplored. Here, we introduce the FinCon, an LLM-based multi-agent framework with CONceptual verbal reinforcement tailored for diverse FINancial tasks. Inspired by effective real-world investment firm organizational structures, FinCon utilizes a manager-analyst communication hierarchy. This structure allows for synchronized cross-functional agent collaboration towards unified goals through natural language interactions and equips each agent with greater memory capacity than humans. Additionally, a risk-control component in FinCon enhances decision quality by episodically initiating a self-critiquing mechanism to update systematic investment beliefs. The conceptualized beliefs serve as verbal reinforcement for the future agent's behavior and can be selectively propagated to the appropriate node that requires knowledge updates. This feature significantly improves performance while reducing unnecessary peer-to-peer communication costs. Moreover, FinCon demonstrates strong generalization capabilities in various financial tasks, including single stock trading and portfolio management.

한 줄 요약

FinCon은 개념적 언어적 강화 학습을 통해 금융 결정을 개선한 LLM 기반 다중 에이전트 시스템이다.

핵심 기여도

**Synthesized Manager-Analyst 계층 구조**를 도입하여 금융 데이터 통합 및 의사결정 효율성을 향상.
**Dual-level risk control component**를 통해 에피소드 내외부의 위험을 관리하며, CVaR와 개념적 강화 학습을 결합.
**Portfolio management**를 포함한 다중 자산 금융 작업에 일반화 가능.
**4번의 훈련 에피소드**만으로 기존 RL 기반 거래 에이전트보다 빠른 학습 성능 달성.

핵심 아이디어

FinCon은 실제 투자 회사의 조직 구조를 모방한 **Manager-Analyst 계층 구조**를 도입하여, 다양한 금융 데이터를 전문 분야별 분석 에이전트에 할당하고, 이를 종합한 매니저 에이전트가 최종 거래 결정을 내리는 방식으로 설계되었다. 이 구조는 **자연어 기반의 동기화된 협업**을 가능하게 하며, 인간보다 훨씬 높은 메모리 용량을 갖는다. 또한, **Dual-level risk control component**는 **CVaR**(Conditional Value at Risk)를 사용한 실시간 위험 관리와 **conceptual verbal reinforcement**를 통한 투자 신념 업데이트를 결합하여, 매니저 에이전트의 판단을 지속적으로 개선한다. 이는 **에피소드 내부**(within-episode)와 **에피소드 간**(over-episode)의 두 가지 차원에서 이루어진다.

기술적 접근법

**FinCon**은 **LLM 기반 다중 에이전트 시스템**으로, **Manager-Analyst 계층 구조**를 채택.
**Dual-level risk control component**는 **CVaR**를 사용한 실시간 위험 모니터링과 **conceptual verbal reinforcement**를 통해 투자 신념을 업데이트.
**POMDP**(부분 관측 마르코프 의사결정 과정) 기반의 수학적 모델링을 사용하여 금융 결정 문제를 포괄적으로 정의.
**FinCon**은 **GOOG, NIO, TSLA, MSFT, PFE** 등 다양한 자산에 적용 가능하며, **Single Stock Trading**과 **Portfolio Management**를 모두 처리.

주요 결과

**GOOG (상승장)**: CVaR 사용 시 **25.077% CR ↑**, **1.052 SR ↑**, **17.530% MDD ↓** (CVaR 미사용 대비 +26.538% CR).
**NIO (하락장)**: CVaR 사용 시 **17.461% CR ↑**, **0.335 SR ↑**, **40.647% MDD ↓** (CVaR 미사용 대비 +60.684% CR).
**Portfolio (TSLA, MSFT, PFE)**: CVaR 사용 시 **113.836% CR ↑**, **3.269 SR ↑**, **16.163% MDD ↓** (CVaR 미사용 대비 +85.404% CR).
**4번의 훈련 에피소드**만으로 기존 RL 기반 거래 시스템보다 빠른 학습 성능 달성.

의의 및 한계

FinCon은 **LLM의 자연어 기반 협업 능력**과 **정량적 금융 위험 관리 기법**(CVaR)을 결합하여, 기존의 단일 에이전트 기반 시스템과 DRL 기반 시스템의 한계를 극복한다. 특히, **에이전트 간 불필요한 커뮤니케이션 비용을 줄이며 효율적인 의사결정**을 가능하게 한다는 점에서 학술적·실용적 가치가 있다. 그러나 **LLM의 입력 길이 제한**으로 인해, 대규모 포트폴리오 관리 시 정보 축소와 성능 저하의 균형을 맞추는 것이 주요 과제로 남아 있다.

실용적 활용

FinCon은 **개별 주식 거래**, **포트폴리오 관리**, **시장 위험 모니터링** 등 다양한 금융 분야에서 활용 가능하다. 특히, **투자 회사의 의사결정 구조를 시뮬레이션**하여, **자동화된 투자 전략 개발**과 **실시간 위험 관리**에 유용하게 사용될 수 있다.