🤖 Agentic AI 펀드 매니저

AWS Bedrock AgentCore & Strands Agent & LangGraph를 활용한 Agentic AI 펀드 매니저

🎯 시스템 개요

개인 맞춤형 투자 포트폴리오를 제안하는 4개의 전문 AI 에이전트가 협업하는 프로덕션 레벨 펀드 매니저 시스템입니다.

🏗️ 아키텍처

�️ 실행 화면

🏗️ 에이전트별 상세 구조

Lab 1: Financial Analyst

역할: 개인 재무 상황 분석 및 위험 성향 평가

구조:

AgentCore Runtime: 서버리스 에이전트 호스팅
도구: Calculator (정확한 수익률 계산)
AI 모델: OpenAI GPT-OSS 120B

처리 과정:

사용자 입력 데이터 분석 (나이, 투자경험, 투자금액, 목표금액)
Calculator 도구로 필요 연간 수익률 계산: ((목표금액/투자금액)-1)*100
나이와 경험을 고려한 위험 성향 평가 (보수적/중립적/공격적)
개인 성향에 맞는 투자 섹터 추천

출력:

{
  "risk_profile": "공격적",
  "required_annual_return_rate": 40.0,
  "key_sectors": ["성장주", "기술주", "글로벌 주식"],
  "summary": "40% 목표 수익률 달성을 위한 공격적 투자 전략 필요"
}

Lab 2: Portfolio Architect

역할: 실시간 ETF 데이터 기반 최적 포트폴리오 설계

구조:

AgentCore Runtime: 메인 포트폴리오 설계 에이전트
MCP Server Runtime: yfinance API 연동 (별도 Runtime으로 배포)
도구: analyze_etf_performance, calculate_correlation
인증: Cognito JWT OAuth2 (Runtime 간 직접 통신)

처리 과정:

Financial Analyst 결과를 바탕으로 5개 후보 ETF 선정
각 ETF에 대해 몬테카를로 시뮬레이션 (1000회) 실행
ETF 간 상관관계 매트릭스 계산 (분산투자 효과 측정)
수익률과 분산투자 효과를 고려하여 최적 3개 ETF 선정
투자 비중 결정 및 포트폴리오 평가 (수익성/리스크관리/분산투자 점수)

출력:

{
  "portfolio_allocation": {"QQQ": 50, "SPY": 30, "GLD": 20},
  "reason": "기술주 중심 성장 전략...",
  "portfolio_scores": {
    "profitability": {"score": 8, "reason": "목표 수익률 달성 가능성 높음"},
    "risk_management": {"score": 7, "reason": "적정 변동성 수준"},
    "diversification": {"score": 9, "reason": "낮은 상관관계로 우수한 분산투자"}
  }
}

Lab 3: Risk Manager

역할: 뉴스 및 거시경제 데이터 기반 리스크 시나리오 분석

구조:

AgentCore Gateway: Lambda 함수를 MCP 도구로 노출
Lambda Layer: yfinance 라이브러리 패키징
Lambda 함수: 뉴스/시장/지정학적 데이터 조회
도구: get_product_news, get_market_data, get_geopolitical_indicators

처리 과정:

포트폴리오 ETF별 최신 뉴스 5개 수집 및 분석
주요 거시경제 지표 7개 실시간 조회 (금리, 달러지수, VIX, 원유, 금, S&P500)
지역별 ETF 5개 조회 (중국, 신흥국, 유럽, 일본, 한국)
3가지 데이터를 종합하여 2개 핵심 경제 시나리오 도출
각 시나리오별 포트폴리오 조정 전략 수립

출력:

{
  "scenario1": {
    "name": "테크 주도 경기 회복",
    "probability": "35%",
    "allocation_management": {"QQQ": 70, "SPY": 25, "GLD": 5},
    "reason": "기술 섹터 성장에 더 많이 노출하여 수익 극대화"
  },
  "scenario2": {
    "name": "인플레이션 지속과 경기 둔화", 
    "probability": "25%",
    "allocation_management": {"QQQ": 40, "SPY": 40, "GLD": 20},
    "reason": "안전자산 비중 확대로 리스크 헤지 강화"
  }
}

Lab 4: Fund Manager

역할: 3개 에이전트 결과 통합 및 장기 메모리 관리

구조:

LangGraph: 3개 에이전트 순차 실행 워크플로우
AgentCore Memory: SUMMARY 전략으로 상담 히스토리 자동 요약
에이전트 호출: 다른 3개 에이전트의 Runtime을 직접 호출

처리 과정:

순차 에이전트 실행:
- financial_node → Financial Analyst Runtime 호출
- portfolio_node → Portfolio Architect Runtime 호출
- risk_node → Risk Manager Runtime 호출
실시간 스트리밍: 각 에이전트의 사고 과정과 도구 사용을 실시간 표시
메모리 저장: 각 에이전트 결과를 세션별 대화 이벤트로 저장
자동 요약: SUMMARY 전략이 전체 상담 세션을 Topic별로 구조화하여 요약

메모리 구조:

Short-term: 각 에이전트 결과를 세션별 대화로 저장 (7일)
Long-term: SUMMARY 전략이 Topic별로 구조화된 요약 생성 (영구 보존)
네임스페이스: fund_management/session/{sessionId} 구조

� 기술 적 구현 세부사항

AgentCore 서비스 활용

1. Runtime (Agent) - 에이전트 호스팅

각 AI 에이전트를 독립적인 서버리스 함수로 배포
자동 스케일링 및 고가용성 보장
ECR 컨테이너 이미지 기반 배포

2. Runtime (MCP Server) - 데이터 서버 호스팅

yfinance 기반 ETF 데이터 조회 서버를 서버리스로 배포
MCP 프로토콜로 AI 도구화
실시간 금융 데이터 제공

3. Gateway - Lambda 함수를 MCP 변환

Lambda 함수를 AI가 사용할 수 있는 MCP 도구로 변환 (Risk Manager에서 사용)
Cognito JWT 인증으로 보안 강화
복잡한 Lambda 인프라를 간단한 AI 도구로 추상화

4. Memory - 장기 메모리 및 개인화

SUMMARY 전략으로 상담 세션 자동 요약
사용자별 투자 히스토리 장기 보존
개인화된 투자 서비스 제공 기반

5. Observability - 모니터링 및 추적

각 에이전트의 성능 및 사용량 모니터링
실시간 로그 및 메트릭 수집
시스템 최적화를 위한 인사이트 제공

데이터 흐름

사용자 입력
    ↓
Fund Manager (LangGraph 오케스트레이션)
    ↓
Financial Analyst (Runtime + OpenAI GPT-OSS 120B)
    ↓ (위험성향, 목표수익률)
Portfolio Architect (Runtime + MCP Server + Claude 4.0 Sonnet)
    ↓ (포트폴리오 배분)
Risk Manager (Runtime + Gateway + Claude 3.7 Sonnet)
    ↓ (리스크 시나리오)
Fund Manager (Memory 저장 + 최종 통합)
    ↓
최종 투자 가이드 + 자동 요약 저장

🚀 빠른 시작

1. 사전 요구사항

AWS Bedrock Model Access 설정 (필수)

이 프로젝트는 다음 Bedrock 모델들에 대한 액세스 권한이 필요합니다:

OpenAI GPT-OSS 120B (openai.gpt-oss-120b-1:0) - Financial Analyst용
Claude 4.0 Sonnet (global.anthropic.claude-sonnet-4-20250514-v1:0) - Portfolio Architect용
Claude 3.7 Sonnet (us.anthropic.claude-3-7-sonnet-20250219-v1:0) - Risk Manager용

모델 액세스 요청 방법:

AWS 콘솔에서 Amazon Bedrock 서비스로 이동
좌측 메뉴에서 Model access 클릭
위 3개 모델에 대해 Request model access 클릭
승인 완료까지 대기 (보통 몇 분 소요)

리전 설정

모든 리소스는 us-west-2 리전에 배포됩니다. config.py 파일에서 변경 가능합니다.

2. 환경 설정

git clone <repository-url>
cd fund_manager_strands
python -m venv venv
source venv/bin/activate
pip install -r requirements.txt
aws configure  # us-west-2 리전 설정 권장

3. 전체 배포 (권장)

python deploy_all.py

4. 웹 앱 실행

cd fund_manager && streamlit run app.py

브라우저에서 http://localhost:8501 접속

5. 전체 정리

python cleanup_all.py

🎯 사용 시나리오

시나리오 1: 전체 시스템 체험 (권장)

python deploy_all.py - 전체 시스템 배포
cd fund_manager && streamlit run app.py - 통합 웹앱 실행
투자 정보 입력 후 4개 에이전트의 협업 과정 실시간 확인
상담 히스토리에서 자동 요약된 과거 상담 기록 확인

시나리오 2: 개별 에이전트 학습

cd financial_analyst && python deploy.py && streamlit run app.py
재무 분석 과정과 Calculator 도구 사용 확인
cd ../portfolio_architect - 포트폴리오 설계 과정 학습
cd ../risk_manager - 리스크 분석 과정 학습

시나리오 3: 개발 및 커스터마이징

각 에이전트 폴더의 README.md 참조하여 상세 구조 파악
개별 배포 및 테스트로 기능 확인 (deployment_info.json 파일로 배포 상태 확인)
코드 수정 후 개별 재배포 (각 폴더의 deploy.py 실행)
통합 웹앱에서 전체 워크플로우 테스트
shared/ 폴더의 공통 유틸리티 함수 활용하여 새로운 에이전트 개발

⚙️ 설정 변경

리전 및 공통 설정 변경

모든 배포 스크립트는 루트의 config.py 파일에서 공통 설정을 가져옵니다:

# config.py
class Config:
    # AWS 리전 설정 (모든 에이전트에서 공통 사용)
    REGION = "us-west-2"  # 원하는 리전으로 변경
    
    # 에이전트별 이름 설정
    FINANCIAL_ANALYST_NAME = "financial_analyst"
    PORTFOLIO_ARCHITECT_NAME = "portfolio_architect"
    # ... 기타 설정들

설정 변경 후 재배포:

# 전체 재배포
python cleanup_all.py  # 기존 리소스 정리
python deploy_all.py   # 새 설정으로 재배포

# 또는 개별 재배포
cd financial_analyst && python deploy.py

Bedrock 모델 변경

각 에이전트의 메인 파일에서 모델 ID를 변경할 수 있습니다:

# financial_analyst/financial_analyst.py
class Config:
    MODEL_ID = "openai.gpt-oss-120b-1:0"  # 다른 모델로 변경 가능

🔧 기술 스택 및 아키텍처

핵심 기술

AI Framework: Strands Agents SDK + LangGraph
Infrastructure: AWS Bedrock AgentCore (Runtime, Gateway, Memory, Observability)
LLM:
- Financial Analyst: OpenAI GPT-OSS 120B
- Portfolio Architect: Claude 4.0 Sonnet (global.anthropic.claude-sonnet-4-20250514-v1:0)
- Risk Manager: Claude 3.7 Sonnet (us.anthropic.claude-3-7-sonnet-20250219-v1:0)
- Fund Manager: LangGraph 오케스트레이션 (LLM 없음, 다른 에이전트 호출)
Data Sources: yfinance (실시간 ETF/뉴스/시장 데이터)
Authentication: Cognito JWT OAuth2
UI: Streamlit (실시간 스트리밍 지원)

배포 구조 다이어그램

graph LR
    subgraph "AWS 클라우드 리소스"
        subgraph "AgentCore 서비스"
            RT1[📦 Financial Analyst Runtime]
            RT2[📦 Portfolio Architect Runtime]
            RT3[📦 Risk Manager Runtime]
            RT4[📦 Fund Manager Runtime]
            MCP[🔧 MCP Server Runtime]
            MEM[🧠 AgentCore Memory]
            GW[🌉 Gateway for Risk Manager]
        end
        
        subgraph "지원 서비스"
            LAM[⚡ Lambda 함수 x3]
            LAY[📦 Lambda Layer]
            COG[🔐 Cognito User Pool x2]
            ECR[📦 ECR Repository x5]
        end
    end
    
    RT1 --> ECR
    RT2 --> COG
    RT3 --> GW
    RT4 --> MEM
    COG --> MCP
    GW --> COG
    GW --> LAM
    LAM --> LAY
    MCP --> ECR
    
    style RT1 fill:#e1f5fe
    style RT2 fill:#f3e5f5
    style RT3 fill:#e8f5e8
    style RT4 fill:#fff3e0
    style MEM fill:#fce4ec

총 배포 리소스:

🏗️ AgentCore: Runtime 5개 (Agent 4개 + MCP Server 1개) + Gateway 1개 + Memory 1개
⚡ Lambda: 함수 3개 + Layer 1개
🔐 인증: Cognito User Pool 2개
📦 컨테이너: ECR Repository 5개

보안 및 인증

Cognito JWT: MCP Gateway 접근 제어
IAM 역할: 각 서비스별 최소 권한 원칙
VPC: 필요시 네트워크 격리 (선택사항)
암호화: 전송 중/저장 중 데이터 암호화

📁 프로젝트 구조 및 개별 테스트

fund_manager_strands/
├── 📂 financial_analyst/           # Lab 1: 재무 분석 (AgentCore Runtime)
│   ├── 📄 README.md               # 상세 설명 및 사용법
│   ├── 🚀 deploy.py               # 개별 배포
│   ├── 🌐 app.py                  # Streamlit 개별 테스트
│   └── 🤖 financial_analyst.py    # 메인 에이전트
│
├── 📂 portfolio_architect/         # Lab 2: 포트폴리오 설계 (AgentCore Runtime + MCP Server)
│   ├── 📄 README.md               # 상세 설명 및 사용법
│   ├── 🚀 deploy.py               # 개별 배포
│   ├── 🌐 app.py                  # Streamlit 개별 테스트
│   ├── 🤖 portfolio_architect.py  # 메인 에이전트
│   └── 📂 mcp_server/             # MCP Server (별도 Runtime)
│       ├── 🚀 deploy_mcp.py       # MCP Server 배포
│       └── 🔧 server.py           # ETF 데이터 조회 서버
│
├── 📂 risk_manager/               # Lab 3: 리스크 관리 (AgentCore Gateway)
│   ├── 📄 README.md               # 상세 설명 및 사용법
│   ├── 🚀 deploy.py               # 개별 배포 (4단계 통합)
│   ├── 🌐 app.py                  # Streamlit 개별 테스트
│   ├── 🤖 risk_manager.py         # 메인 에이전트
│   ├── 📂 lambda_layer/           # Lambda Layer (yfinance)
│   ├── 📂 lambda/                 # Lambda 함수 (데이터 조회)
│   └── 📂 gateway/                # MCP Gateway (Lambda → MCP 도구)
│
├── 📂 fund_manager/               # Lab 4: 통합 매니징 (AgentCore Memory)
│   ├── 📄 README.md               # 상세 설명 및 사용법
│   ├── 🚀 deploy.py               # 개별 배포
│   ├── 🌐 app.py                  # Streamlit 통합 웹앱 (메인)
│   ├── 🤖 fund_manager.py         # LangGraph 기반 통합 에이전트
│   
│   └── 📂 agentcore_memory/       # AgentCore Memory
│       └── 🚀 deploy_agentcore_memory.py # Memory 배포
│
├── 📂 shared/                     # 공통 유틸리티
│   ├── runtime_utils.py           # Runtime 관련 공통 함수
│   ├── gateway_utils.py           # Gateway 관련 공통 함수
│   └── cognito_utils.py           # 인증 관련 공통 함수
│
├── 🚀 deploy_all.py               # 🎯 전체 시스템 한번에 배포
├── 🧹 cleanup_all.py              # 🎯 전체 시스템 한번에 정리
├── ⚙️ config.py                   # 🎯 전체 프로젝트 공통 설정 (리전, 이름 등)
├── 📋 requirements.txt            # Python 의존성
└── 📄 README.md                   # 이 파일

🧪 개별 에이전트 테스트 방법

각 에이전트는 독립적으로 배포하고 테스트할 수 있습니다:

Lab 1: Financial Analyst

cd financial_analyst
python deploy.py                    # 배포
streamlit run app.py               # 개별 테스트 웹앱

기능: 투자자 정보 입력 → 위험 성향 평가 → 목표 수익률 계산
도구: Calculator로 정확한 수익률 계산 과정 확인

Lab 2: Portfolio Architect

cd portfolio_architect
cd mcp_server && python deploy_mcp.py && cd ..  # MCP Server 먼저 배포
python deploy.py                    # 메인 에이전트 배포
streamlit run app.py               # 개별 테스트 웹앱

기능: 재무 분석 결과 입력 → ETF 분석 → 포트폴리오 설계
구조: Runtime 간 직접 MCP 통신 (Gateway 없음)
도구: 몬테카를로 시뮬레이션 + 상관관계 분석 과정 실시간 확인

Lab 3: Risk Manager

cd risk_manager
# 4단계 순차 배포 (필수)
cd lambda_layer && python deploy_lambda_layer.py && cd ..
cd lambda && python deploy_lambda.py && cd ..
cd gateway && python deploy_gateway.py && cd ..
python deploy.py                    # Risk Manager Runtime 배포
streamlit run app.py               # 개별 테스트 웹앱

기능: 포트폴리오 입력 → 뉴스/시장 데이터 분석 → 리스크 시나리오
도구: 실시간 뉴스, 거시경제 지표, 지정학적 데이터 수집 과정 확인

Lab 4: Fund Manager (통합 시스템)

cd fund_manager
cd agentcore_memory && python deploy_agentcore_memory.py && cd ..  # Memory 먼저 배포
python deploy.py                    # 통합 에이전트 배포
streamlit run app.py               # 🎯 메인 통합 웹앱

기능: 전체 워크플로우 실행 → 3개 에이전트 순차 호출 → 최종 투자 가이드
특징: 실시간 스트리밍으로 모든 에이전트의 사고 과정 확인 + 상담 히스토리 관리

Name		Name	Last commit message	Last commit date
Latest commit History 260 Commits
financial_analyst		financial_analyst
fund_manager		fund_manager
portfolio_architect		portfolio_architect
risk_manager		risk_manager
shared		shared
static		static
.gitignore		.gitignore
Dockerfile		Dockerfile
README.md		README.md
cleanup_all.py		cleanup_all.py
config.py		config.py
deploy_all.py		deploy_all.py
requirements.txt		requirements.txt

ksgsslee/investment_advisor_strands

Folders and files

Latest commit

History

Repository files navigation

🤖 Agentic AI 펀드 매니저

🎯 시스템 개요

🏗️ 아키텍처

�️ 실행 화면

🏗️ 에이전트별 상세 구조

Lab 1: Financial Analyst

Lab 2: Portfolio Architect

Lab 3: Risk Manager

Lab 4: Fund Manager

� 기술 적 구현 세부사항

AgentCore 서비스 활용

데이터 흐름

🚀 빠른 시작

1. 사전 요구사항

AWS Bedrock Model Access 설정 (필수)

리전 설정

2. 환경 설정

3. 전체 배포 (권장)

4. 웹 앱 실행

5. 전체 정리

🎯 사용 시나리오

시나리오 1: 전체 시스템 체험 (권장)

시나리오 2: 개별 에이전트 학습

시나리오 3: 개발 및 커스터마이징

⚙️ 설정 변경

리전 및 공통 설정 변경

Bedrock 모델 변경

🔧 기술 스택 및 아키텍처

핵심 기술

배포 구조 다이어그램

보안 및 인증

📁 프로젝트 구조 및 개별 테스트

🧪 개별 에이전트 테스트 방법

Lab 1: Financial Analyst

Lab 2: Portfolio Architect

Lab 3: Risk Manager

Lab 4: Fund Manager (통합 시스템)

About

Resources

Uh oh!

Stars

Watchers

Forks

Releases

Packages 0

Languages

Packages