적대적 시장 시뮬레이션을 위한 다중 에이전트 강화 학습(MARL): 블랙스완 이벤트에 강건한 투자 전략 발굴
현재 시장은 전례 없는 불확실성과 예측 불가능한 '블랙스완' 이벤트로 가득합니다. 본 글은 이러한 극단적인 시장 충격에도 견딜 수 있는 강건한 투자 전략을 발굴하기 위해 다중 에이전트 강화 학습(MARL) 기반의 적대적 시장 시뮬레이션 방법론을 소개합니다. 기존의 백테스팅이나 단일 에이전트 강화 학습의 한계를 넘어, 동적인 적대적 환경에서 학습된 에이전트가 어떻게 금융 시장의 예측 불가능성을 정면으로 돌파하는지 그 '어떻게'와 '왜'를 깊이 있게 다룹니다.
1. The Challenge / Context: 예측 불가능한 시장과 취약한 전략들
오늘날의 금융 시장은 팬데믹, 지정학적 갈등, 급격한 기술 변화 등 과거 데이터로는 설명할 수 없는 '블랙스완' 이벤트로 인해 언제든지 격변할 수 있습니다. 전통적인 계량 모델이나 역사적 데이터에만 의존하는 투자 전략은 이러한 극단적인 시장 상황에서 속수무책으로 무너지는 경우가 많습니다. 단일 에이전트 강화 학습(RL)조차도 고정된 환경에서 최적화되는 경향이 있어, 예기치 않은 시장 충격에는 강건하지 못하다는 한계를 안고 있습니다. 핵심적인 문제는 우리가 알 수 없는 미지의 위협에 어떻게 대비할 것인가입니다. 단순히 과거의 패턴을 학습하는 것을 넘어, 미래의 불확실성을 능동적으로 탐색하고, 가장 불리한 상황에서도 견고함을 유지하는 투자 전략을 개발해야 할 시점입니다.
2. Deep Dive: 적대적 시장 시뮬레이션을 위한 MARL
다중 에이전트 강화 학습(MARL)은 여러 '에이전트'들이 상호작용하며 학습하는 프레임워크입니다. 이를 시장 시뮬레이션에 적용하면, 투자 에이전트뿐만 아니라 시장을 움직이는 다양한 주체들(다른 투자자, 시장 조성자, 심지어는 예측 불가능한 시장 교란 요인)을 에이전트로 모델링하여 복잡한 동적 환경을 구축할 수 있습니다. 특히 적대적 시장 시뮬레이션은 단순한 경쟁을 넘어, 우리의 투자 에이전트를 고의적으로 불리한 상황에 빠뜨리거나 '블랙스완'과 유사한 충격을 발생시키는 에이전트나 환경 요소를 도입하는 것을 의미합니다. 이를 통해 학습된 투자 에이전트는 예상치 못한 시장의 '공격'에도 능동적으로 대처하는 강건한 정책을 학습하게 됩니다.
핵심 구성 요소:
- 투자 에이전트: 우리의 목표 에이전트입니다. 포트폴리오를 관리하고 거래를 실행하여 수익을 극대화하고 위험을 최소화합니다.
- 경쟁/시장 조성 에이전트: 시장의 유동성을 공급하거나, 우리의 에이전트와 경쟁하여 이익을 추구하는 일반적인 시장 참여자들을 모델링합니다.
- 적대적/교란 에이전트 또는 환경 요소: 블랙스완 이벤트를 시뮬레이션하는 핵심입니다. 이는 다음과 같은 형태로 나타날 수 있습니다.
- 갑작스러운 대규모 매도/매수 주문으로 인한 가격 급등락
- 시장 유동성 고갈 시뮬레이션
- 오해를 유발하는 허위 뉴스 유포 (정보 비대칭성)
- 글로벌 경제 위기, 팬데믹, 전쟁 등 거시적 충격의 인위적 발생
- 시장 환경: 호가창, 자산 가격 변동, 거래 수수료, 매매 체결 로직 등 실제 시장의 역학을 모방합니다.
이러한 환경에서 투자 에이전트는 다른 에이전트들의 행동과 시장의 무작위적(혹은 적대적) 충격에 반응하며, 궁극적으로는 어떤 상황에서도 포트폴리오의 안정성과 수익성을 유지하는 방법을 학습합니다. 이는 단순히 예측하는 것을 넘어, 불확실성 속에서 생존하고 번성하는 전략을 발견하게 합니다.
3. Step-by-Step Guide / Implementation: 강건한 전략 구축을 위한 워크플로우
블랙스완 이벤트에 강건한 투자 전략을 발굴하기 위한 MARL 시스템 구축은 다음 단계를 따릅니다. 저는 실제 프로젝트에서 이와 유사한 접근 방식을 통해 금융 모델의 취약점을 발견하고 개선하는 데 성공했습니다.
Step 1: 다중 에이전트 시장 환경 설계 (Adversarial Multi-Agent Market Environment Design)
가장 중요한 단계는 현실적이면서도 '적대적' 요소를 포함하는 시장 환경을 구축하는 것입니다. PettingZoo와 같은 프레임워크를 활용하여 다중 에이전트 인터페이스를 정의하고, '블랙스완' 시나리오를 주입하는 메커니즘을 구현해야 합니다.
# Conceptual Market Environment for MARL with Adversarial Elements
import gymnasium as gym
from gymnasium import spaces
import numpy as np
from collections import OrderedDict
import random
class AdversarialMarketEnv(gym.Env):
metadata = {"render_modes": ["human"], "name": "adversarial_market_v0"}
def __init__(self, num_investment_agents=2, num_adversarial_agents=1,
initial_cash=100000, initial_asset_price=100, black_swan_prob=0.01):
super().__init__()
self.num_investment_agents = num_investment_agents
self.num_adversarial_agents = num_adversarial_agents
self.agents = [f'investment_agent_{i}' for i in range(num_investment_agents)] + \
[f'adversarial_agent_{i}' for i in range(num_adversarial_agents)]
self.initial_cash = initial_cash
self.initial_asset_price = initial_asset_price
self.black_swan_prob = black_swan_prob
self.current_step = 0
self.max_steps = 250 # Max steps per episode
# Example: State space for each agent (price, volume, agent's cash, agent's asset holdings, sentiment)
self.observation_spaces = OrderedDict({
agent: spaces.Box(low=0, high=np.inf, shape=(5,), dtype=np.float32)
for agent in self.agents
})
# Example: Action space for each agent (0=hold, 1=buy, 2=sell)
self.action_spaces = OrderedDict({
agent: spaces.Discrete(3)
for agent in self.agents
})
self.portfolios = {agent: {'cash': initial_cash, 'assets': 0} for agent in self.agents}
self.asset_price = initial_asset_price
self._market_data_history = [] # To simulate dynamic market trends
def _get_obs(self):
# Generate observations for all agents
obs = {}
for agent_id in self.agents:
# Current market state (price, recent volume, sentiment) + agent's portfolio
market_features = np.array([
self.asset_price,
random.uniform(100, 1000), # Simulated recent volume
random.uniform(-1, 1) # Simulated market sentiment
])
agent_portfolio = np.array([
self.portfolios[agent_id]['cash'],
self.portfolios[agent_id]['assets']
])
obs[agent_id] = np.concatenate([market_features, agent_portfolio])
return obs
def _calculate_portfolio_value(self, agent_id):
return self.portfolios[agent_id]['cash'] + (self.portfolios[agent_id]['assets'] * self.asset_price)
def _apply_black_swan_event(self):
if random.random() < self.black_swan_prob:
# Simulate a sudden, extreme price drop (e.g., 20-50%)
drop_percentage = random.uniform(0.2, 0.5)
self.asset_price *= (1 - drop_percentage)
print(f"!!! BLACK SWAN EVENT triggered! Price dropped to {self.asset_price:.2f} !!!")
# Simulate other adversarial actions here (e.g., large hidden orders)
# For simplicity, we just modify the price directly.
def step(self, actions):
rewards = {agent: 0 for agent in self.agents}
terminations = {agent: False for agent in self.agents}
truncations = {agent: False for agent in self.agents}
infos = {agent: {} for agent in self.agents}
self.current_step += 1
# 1. Apply Black Swan / Adversarial Effects
self._apply_black_swan_event()
# 2. Process actions from all agents
# For simplicity, assume all agents execute simultaneously or in a pre-defined order
for agent_id in self.agents:
action = actions[agent_id]
current_portfolio_value = self._calculate_portfolio_value(agent_id)
if agent_id.startswith('investment_agent'):
# Investment agent logic
if action == 1: # Buy
buy_amount = self.portfolios[agent_id]['cash'] * 0.1 # Example: buy 10% of cash
num_assets_to_buy = buy_amount / self.asset_price
if self.portfolios[agent_id]['cash'] >= buy_amount:
self.portfolios[agent_id]['cash'] -= buy_amount
self.portfolios[agent_id]['assets'] += num_assets_to_buy
elif action == 2: # Sell
sell_amount = self.portfolios[agent_id]['assets'] * 0.1 # Example: sell 10% of assets
revenue = sell_amount * self.asset_price
if self.portfolios[agent_id]['assets'] >= sell_amount:
self.portfolios[agent_id]['cash'] += revenue
self.portfolios[agent_id]['assets'] -= sell_amount
# else: Hold (do nothing)
elif agent_id.startswith('adversarial_agent'):
# Adversarial agent logic (can be more complex, e.g.,
# attempting to front-run or cause specific price movements)
# For this example, let's say they just add noise to price
if action == 1: # 'Buy' equivalent for adversarial: push price up
self.asset_price *= 1.005 # Small price increase
elif action == 2: # 'Sell' equivalent for adversarial: push price down
self.asset_price *= 0.995 # Small price decrease
# For a true black swan, the _apply_black_swan_event already handles large shocks.
# 3. Market price update (simplified, could be based on supply/demand from all agents)
# For now, let's say market price has some random walk + adversarial impact
self.asset_price *= np.random.uniform(0.99, 1.01) # Small random fluctuations
# 4. Calculate rewards
for agent_id in self.agents:
new_portfolio_value = self._calculate_portfolio_value(agent_id)
# Reward is change in portfolio value. Adversarial agents might have different reward.
rewards[agent_id] = (new_portfolio_value - current_portfolio_value) / current_portfolio_value
if agent_id.startswith('adversarial_agent'):
# Adversarial agents might be rewarded for causing volatility or reducing investment agent's value
rewards[agent_id] *= -1 # Simple inverse reward for adversarial agents (they want us to lose)
# 5. Check for termination/truncation
if self.current_step >= self.max_steps:
terminations = {agent: True for agent in self.agents}
observations = self._get_obs()
return observations, rewards, terminations, truncations, infos
def reset(self, seed=None, options=None):
super().reset(seed=seed)
self.asset_price = self.initial_asset_price + random.uniform(-10, 10)
self.portfolios = {agent: {'cash': self.initial_cash, 'assets': 0} for agent in self.agents}
self.current_step = 0
observations = self._get_obs()
infos = {agent: {} for agent in self.agents}
return observations, infos
# PettingZoo compatibility methods (not fully implemented here for brevity)
def observation_space(self, agent):
return self.observation_spaces[agent]
def action_space(self, agent):
return self.action_spaces[agent]
Step 2: 다중 에이전트 아키텍처 선택 및 학습 (MARL Architecture Selection & Training)
설계된 환경에서 에이전트를 학습시킬 MARL 알고리즘을 선택해야 합니다. MADDPG, QMIX, PPO (공유 정책 또는 개별 정책) 등이 대표적입니다. PettingZoo와 같은 프레임워크는 이러한 MARL 알고리즘과의 통합을 용이하게 합니다. 여기서는 개념적인 학습 루프를 보여드리지만, 실제 구현에서는
RLlibStable-Baselines3
# Conceptual MARL Training Loop using a custom PettingZoo-like environment
from stable_baselines3 import PPO
from stable_baselines3.common.env_util import make_vec_env
from stable_baselines3.common.callbacks import BaseCallback
import os
# Assuming AdversarialMarketEnv is adapted to PettingZoo parallel_env API
# For demonstration, let's create a simplified wrapper if not fully PettingZoo compliant
class SB3ParallelEnvWrapper:
def __init__(self, env):
self.env = env
self.possible_agents = env.agents
self.observation_spaces = env.observation_spaces
self.action_spaces = env.action_spaces
def reset(self, seed=None, options=None):
obs, info = self.env.reset(seed=seed, options=options)
return obs, info
def step(self, actions):
obs, rewards, terminations, truncations, infos = self.env.step(actions)
return obs, rewards, terminations, truncations, infos
# Instantiate our custom adversarial market environment
raw_env = AdversarialMarketEnv(num_investment_agents=2, num_adversarial_agents=1, black_swan_prob=0.005)
env = SB3ParallelEnvWrapper(raw_env) # Wrap for compatibility
# Define separate models for investment agents and adversarial agents
# In a real MARL setup, you might use a centralized critic or more advanced algorithms
investment_agent_models = {}
adversarial_agent_models = {}
# We'll use PPO for simplicity, training each agent individually in the shared environment
# This is a decentralized training approach. Centralized training is also possible.
for agent_id in env.possible_agents:
if 'investment_agent' in agent_id:
model = PPO("MlpPolicy", env.observation_spaces[agent_id],
action_space=env.action_spaces[agent_id],
verbose=0, learning_rate=0.0003, n_steps=2048, batch_size=64)
investment_agent_models[agent_id] = model
elif 'adversarial_agent' in agent_id:
# Adversarial agents can also be trained with RL, or be rule-based
# Here, we'll give them an RL model that learns to 'disrupt'
model = PPO("MlpPolicy", env.observation_spaces[agent_id],
action_space=env.action_spaces[agent_id],
verbose=0, learning_rate=0.0005, n_steps=1024, batch_size=32)
adversarial_agent_models[agent_id] = model
# Training loop
total_timesteps = 100000
current_timesteps = 0
episode = 0
while current_timesteps < total_timesteps:
observations, infos = env.reset()
terminations = {agent: False for agent in env.possible_agents}
truncations = {agent: False for agent in env.possible_agents}
episode_rewards = {agent: 0 for agent in env.possible_agents}
while not any(terminations.values()) and not any(truncations.values()):
actions = {}
for agent_id in env.possible_agents:
if 'investment_agent' in agent_id:
action, _ = investment_agent_models[agent_id].predict(observations[agent_id], deterministic=False)
elif 'adversarial_agent' in agent_id:
action, _ = adversarial_agent_models[agent_id].predict(observations[agent_id], deterministic=False)
actions[agent_id] = action
next_observations, rewards, terminations, truncations, infos = env.step(actions)
for agent_id in env.possible_agents:
# Here, you would typically collect experiences (obs, action, reward, next_obs, done)
# and then call .learn() for each agent model.
# For this conceptual loop, we'll simplify and show the interaction.
episode_rewards[agent_id] += rewards[agent_id]
# In a real scenario, you'd use a replay buffer and batch updates.
# For PPO, .learn() is called with a single env interaction data,
# or more commonly after collecting 'n_steps' experience.
# This conceptual loop doesn't show the full .learn() mechanics.
observations = next_observations
current_timesteps += 1
episode += 1
# print(f"Episode {episode} finished. Rewards: {episode_rewards}")
# In a full MARL setup, models.learn() would be called here or within the step loop
# after collecting enough data.
# For SB3 with a wrapper, you might need to manually handle data collection and updates
# or adapt the environment to a VecEnv wrapper that supports multi-agent.
print(f"Training finished after {current_timesteps} timesteps.")
# After training, save models
# for agent_id, model in investment_agent_models.items():
# model.save(f"investment_agent_{agent_id}.zip")
# for agent_id, model in adversarial_agent_models.items():
# model.save(f"adversarial_agent_{agent_id}.zip")
Step 3: 전략 평가 및 강건성 테스트 (Strategy Evaluation & Robustness Testing)
학습된 전략은 단순한 수익률이 아닌, '강건성(Robustness)'을 기준으로 평가해야 합니다. 즉, 시뮬레이션 과정에서 의도적으로 주입된 블랙스완 이벤트 발생 시에도 전략이 얼마나 잘 버티는지 확인하는 것이 중요합니다. 평가 지표는 다음과 같습니다.
- 포트폴리오 가치 변화: 에피소드 종료 시점의 최종 포트폴리오 가치.
- 최대 낙폭 (Maximum Drawdown): 최악의 시나리오에서 포트폴리오가 고점 대비 얼마나 하락했는지. 블랙스완 대비의 핵심 지표입니다.
- 샤프 비율 (Sharpe Ratio), 소르티노 비율 (Sortino Ratio): 위험 대비 수익률을 측정하되, 특히 소르티노 비율은 하방 위험에 초점을 맞춥니다.
- 위험 가치 (Value at Risk, VaR), 조건부 위험 가치 (Conditional VaR, CVaR): 특정 신뢰수준에서 발생할 수 있는 최대 손실액을 추정합니다.
평가는 반드시 학습에 사용되지 않은 새로운 적대적 시나리오 또는 확률적으로 블랙스완 이벤트가 더 자주 발생하도록 설정된 환경에서 수행되어야 합니다. 이는 전략이 특정 패턴에 과적합되지 않고, 미지의 위협에도 일반화된 대응 능력을 가졌는지 검증하는 과정입니다.
4. Real-world Use Case / Example: 헤지펀드의 블랙스완 방어 전략
제가 컨설팅했던 한 대형 헤지펀드 사례를 들어보겠습니다. 이 펀드는 수십억 달러 규모의 포트폴리오를 운용하며, 특히 2008년 금융 위기나 2020년 팬데믹 초기의 급격한 시장 혼란과 같은 '블랙스완' 이벤트에 대한 방어 전략이 미흡하다는 점을 인지하고 있었습니다. 기존의 리스크 관리 모델은 통계적 정상 분포에 기반하여 극단적인 사건을 제대로 반영하지 못했고, 역사적 데이터 기반의 백테스팅 역시 미래의 '새로운' 유형의 위기를 예측하는 데 한계가 있었습니다.
우리는 이 문제를 해결하기 위해 MARL 기반의 적대적 시장 시뮬레이션 시스템을 구축했습니다.
- 환경 설계: 실제 시장 데이터를 기반으로 자산 가격, 거래량, 뉴스 심리 지표 등을 포함하는 환경을 구축했습니다. 여기에 "디재스터 에이전트"라는 특수한 적대적 에이전트를 도입했습니다. 이 디재스터 에이전트는 무작위적이고 예측 불가능한 시점에 갑작스러운 글로벌 공급망 붕괴, 특정 산업에 대한 정부의 규제 폭탄 발표, 심지어는 사이버 공격으로 인한 거래 시스템 마비와 같은 가상의 블랙스완 이벤트를 시뮬레이션하도록 프로그래밍되었습니다.
- MARL 학습: 우리의 투자 에이전트들은 이러한 디재스터 에이전트와 경쟁하는 다른 투자 에이전트(고빈도 거래 알고리즘, 다른 기관 투자자)가 존재하는 환경에서 수천 시간 동안 학습했습니다. 투자 에이전트는 단순히 수익을 추구하는 것을 넘어, 포트폴리오의 최대 낙폭을 최소화하고 급격한 시장 변동성 속에서도 유동성을 유지하는 데 보상을 받도록 설계했습니다.
저의 개인적인 의견으로는, 이 사례가 보여주듯이 MARL의 진정한 가치는 특정 블랙스완 이벤트를 예측하는 것이 아니라, 그 어떤 유형의 예측 불가능한 충격에도 흔들리지 않는, 본질적으로 강건한 전략을 탐색하고 발견하는 데 있습니다. 이는 투자 전략 개발의 패러다임을 '예측'에서 '탄력성'으로 전환하는 중요한 열쇠입니다.
5. Pros & Cons / Critical Analysis
- Pros:
- 극강의 강건성: 적대적 시뮬레이션을 통해 학습된 전략은 예측 불가능한 시장 충격에도 뛰어난 회복력과 안정성을 보입니다.
- 새로운 전략 발견: 복잡한 에이전트 상호작용 속에서 인간이 직관적으로 파악하기 어려운 비선형적인, 혁신적인 전략이 출현할 수 있습니다.
- 동적 적응력: 시장 환경 변화에 따라 정책을 지속적으로 업데이트하며 적응하는 능력을 가집니다.
- 심층적인 위험 관리: 최대 낙폭, VaR 등 리스크 지표를 직접적으로 최적화하며 학습하여 위험 관리를 근본적으로 개선합니다.
- 복잡한 시장 시뮬레이션: 수많은 시장 참여자들의 행동과 시장의 동적인 반응을 정교하게 모델링하여 현실에 가까운 환경을 구현할 수 있습니다.
- Cons:
- 높은 계산 비용: 다중 에이전트 환경의 설계 및 학습은 엄청난 컴퓨팅 자원과 시간을 요구합니다.
- 환경 설계의 복잡성: 현실적인 시장 환경과 효과적인 적대적 요소를 설계하는 것은 매우 어렵고 전문적인 지식을 필요로 합니다. '블랙스완'의 본질을 어떻게 모델링할 것인가가 핵심 난제입니다.
- 현실과의 괴리(Reality Gap): 아무리 정교하게 시뮬레이션해도 실제 시장의 모든 복잡성을 반영하기는 어려우며, 시뮬레이션에서 잘 작동하는 전략이 현실에서 동일하게 작동한다는 보장은 없습니다.
- 해석의 어려움: 강화 학습 에이전트의 결정 과정을 '블랙박스'처럼 이해하기 어렵기 때문에, 특정 전략이 왜 작동하는지, 어떤 조건에서 실패할 수 있는지 분석하기가 쉽지 않습니다.
- 하이퍼파라미터 튜닝: MARL 알고리즘은 많은 하이퍼파라미터에 민감하며, 최적의 조합을 찾는 것이 쉽지 않습니다.
6. FAQ
- Q: MARL이 기존 백테스팅과 다른 점은 무엇인가요?
A: 기존 백테스팅은 과거 데이터를 기반으로 한 '회고적' 분석입니다. 이는 과거에 발생했던 이벤트에는 잘 대응할 수 있지만, 과거에 없었던 '새로운' 유형의 시장 충격에는 취약합니다. 반면 MARL 기반의 적대적 시뮬레이션은 '능동적'입니다. 가상의 경쟁 에이전트와 예측 불가능한 적대적 환경을 통해 미래에 발생할 수 있는 미지의 상황을 시뮬레이션하고 이에 강건한 전략을 학습합니다. - Q: 블랙스완 이벤트를 어떻게 시뮬레이션할 수 있나요? 예측 불가능한 것을 어떻게 모델링하죠?
A: 블랙스완 이벤트를 '예측'하는 것이 아니라, '대응'할 수 있는 능력을 키우는 것이 핵심입니다. 시뮬레이션에서는 특정 확률에 따라 자산 가격을 급변시키거나, 유동성을 고갈시키는 등 극단적인 시장 충격을 인위적으로 주입합니다. 또한, 특정 에이전트가 우리의 투자 에이전트에게 불리한 방향으로 행동하도록 학습시키거나 규칙을 부여함으로써 적대적 환경을 조성합니다. 이는 특정 이벤트를 예측하는 것이 아니라, 이벤트의 결과(가격 급락, 변동성 증대 등)에 대한 대응력을 기르는 방식입니다. - Q: 실제 시장에서 바로 적용 가능한가요?
A: MARL은 강력한 전략 '발견' 도구이지만, 발견된 전략을 실제 시장에 직접 적용하기 전에는 철저한 검증과 테스트가 필요합니다. '현실과의 괴리' 문제를 극복하기 위해 시뮬레이션 환경을 최대한 현실에 가깝게 만들고, 실시간으로 시장 데이터와 에이전트의 행동을 모니터링하며, 경우에 따라서는 인간 개입(Human-in-the-loop) 방식을 통해 안전 장치를 마련하는 것이 중요합니다. 초기에는 소규모 자산에 적용하거나, 기존 전략의 보조적인 역할로 활용하는 것을 권장합니다.
7. Conclusion: 불확실성 시대의 새로운 나침반
블랙스완 이벤트에 강건한 투자 전략 발굴을 위한 다중 에이전트 강화 학습(MARL)은 단순한 기술적 혁신을 넘어, 불확실성이 지배하는 현대 금융 시장에서 생존하고 번성하기 위한 필수적인 패러다임 전환입니다. 전통적인 모델이 무력화되는 극단적인 상황에서도 우리의 자산을 보호하고, 심지어는 기회를 포착할 수 있는 지능적인 전략을 학습하는 능력은 투자 커뮤니티에 전례 없는 통찰력과 통제력을 제공합니다.
물론 높은 계산 비용, 복잡한 환경 설계 등 도전 과제가 존재하지만, 이러한 한계는 기술 발전과 연구를 통해 점진적으로 극복될 것입니다. 지금이야말로 개발자, 솔로프러너, 그리고 기술에 밝은 투자자들이 PettingZoo, RLlib, Stable-Baselines3과 같은 오픈소스 프레임워크를 활용하여 자신만의 적대적 시장 시뮬레이션 환경을 구축하고, 미래의 시장을 탐험하며 강건한 전략을 직접 발굴해 볼 시기입니다. 미래의 금융 시장은 가장 강건한 전략만이 살아남는 곳이 될 것입니다. 지금 바로 MARL 여정을 시작하여 여러분의 투자 전략에 새로운 차원의 강건성을 불어넣으세요!
