majiayu000 Deep Reasoning Agent - 3단계 심층 분석
Role
/deep-reasoning 페이지에서 뉴스 기사를 **3단계 Chain of Thought (CoT)**로 심층 분석합니다. 속도보다 깊이를 우선시합니다.
Core Capabilities
1. Three-Stage Chain of Thought
Stage 1: Direct Impact (직접 영향)
Goal: 뉴스가 해당 기업에 미치는 즉각적이고 직접적인 영향 분석
Questions:
- 이 뉴스는 무엇을 말하는가?
- 회사의 어떤 부분에 영향을 주는가?
- 재무적 영향은 얼마나 되는가?
- 시간 프레임은? (즉시 vs 장기)
Output:
- 직접 영향 요약
- Impact Score (0-1)
- Timeframe (immediate, short-term, long-term)
Example:
News: "FDA approves XYZ cancer drug"
Stage 1 Analysis:
- 직접 영향: 신약 판매 승인 → 매출 증가
- 예상 매출: 연간 $5B (analyst estimates)
- 영향 크기: VERY_HIGH (0.9)
- Timeframe: Short-term (6-12 months to ramp up)
Stage 2: Secondary Effects (2차 파급 효과)
Goal: 공급망, 경쟁사, 관련 산업에 미치는 간접 영향 분석
Questions:
- 경쟁사는 어떤 영향을 받는가?
- 공급망(upstream/downstream)은?
- 규제 환경 변화?
- 시장 점유율 변화?
Output:
- 영향 받는 티커 리스트
- 각 티커별 영향 방향 (positive/negative)
- 산업 전체 영향
Example:
News: "Tesla announces 20% price cut"
Stage 2 Analysis:
- 경쟁사 영향:
* GM, F: NEGATIVE (가격 경쟁 압박)
* RIVN, LCID: VERY_NEGATIVE (소규모 업체, 가격 대응 어려움)
- 공급망:
* Battery suppliers (PANW, LG에너지솔루션): NEGATIVE (주문량 감소 우려)
* Charging network (CHPT): NEUTRAL (볼륨 증가 가능)
- 산업 영향: 전기차 가격 하락 압박 → 보급 가속화
Stage 3: Final Conclusion (최종 결론)
Goal: Stage 1 + Stage 2 종합하여 투자 결정 및 전략 수립
Questions:
- 종합 판단: BUY/SELL/HOLD?
- 시간대별 전략?
- 주요 리스크는?
- 대안 시나리오는?
Output:
- Action (BUY/SELL/HOLD)
- Confidence (0-1)
- Short-term vs Long-term 전략
- Risk Factors
- Alternative Scenarios
Example:
Conclusion:
- Action: BUY (the drug company)
- Confidence: 0.85
- Short-term (1-3 months): STRONG BUY (FDA 승인 모멘텀)
- Long-term (6-12 months): BUY (매출 본격화)
- Risks:
* 보험 coverage 불확실성
* 경쟁 약물 개발 가능성
- Alternative Scenario:
* IF insurance rejects coverage → 주가 -15%
* IF competitor announces similar drug → 주가 -10%
2. Related Tickers Analysis
def find_related_tickers(news_article: NewsArticle) -> List[Dict]:
"""Find all tickers affected by the news"""
related = []
# Primary ticker (mentioned in news)
primary = news_article.ticker
# Competitors (same sector)
competitors = get_competitors(primary)
# Supply chain
suppliers = get_suppliers(primary)
customers = get_customers(primary)
# Industry ETFs
etfs = get_related_etfs(primary)
return {
"primary": primary,
"competitors": competitors,
"suppliers": suppliers,
"customers": customers,
"etfs": etfs
}
3. Impact Quantification
def quantify_impact(
news_type: str,
magnitude: str,
company_size: str
) -> Dict:
"""Estimate price impact"""
# Base impact by news type
BASE_IMPACT = {
"fda_approval": 0.15, # +15% average
"earnings_beat": 0.05, # +5%
"merger": 0.20, # +20%
"lawsuit": -0.10, # -10%
"ceo_departure": -0.08 # -8%
}
# Magnitude multiplier
MAGNITUDE = {
"small": 0.5,
"medium": 1.0,
"large": 1.5
}
# Company size adjustment
SIZE_ADJ = {
"large_cap": 0.7, # Less volatile
"mid_cap": 1.0,
"small_cap": 1.3 # More volatile
}
base = BASE_IMPACT.get(news_type, 0.05)
mag = MAGNITUDE.get(magnitude, 1.0)
size = SIZE_ADJ.get(company_size, 1.0)
estimated_impact = base * mag * size
return {
"estimated_price_change_pct": estimated_impact,
"confidence": 0.6, # Historical accuracy
"timeframe": "1-3 months"
}
Decision Framework
Step 1: Receive News Article
- news_id: 123
- ticker: MRNA
- headline: "FDA Approves Cancer Vaccine"
- content: [full article]
Step 2: Stage 1 Analysis (Direct Impact)
prompt_stage1 = f"""
Analyze the DIRECT impact of this news on {ticker}:
News: {headline}
{content}
Answer:
1. What happened?
2. How does it affect the company's revenue?
3. What is the financial impact?
4. When will impact be felt?
"""
stage1_result = call_ai(prompt_stage1)
Step 3: Stage 2 Analysis (Secondary Effects)
# Find related tickers
related = find_related_tickers(ticker)
prompt_stage2 = f"""
Stage 1 conclusion: {stage1_result}
Now analyze SECONDARY effects:
Competitors: {related['competitors']}
Suppliers: {related['suppliers']}
Answer:
1. How do competitors react?
2. Supply chain impact?
3. Industry-wide changes?
"""
stage2_result = call_ai(prompt_stage2)
Step 4: Stage 3 Conclusion
prompt_stage3 = f"""
Stage 1: {stage1_result}
Stage 2: {stage2_result}
Provide FINAL trading decision:
1. BUY/SELL/HOLD?
2. Short-term vs Long-term strategy?
3. Key risks?
4. Alternative scenarios?
"""
stage3_result = call_ai(prompt_stage3)
Step 5: Generate Trading Signal
IF stage3_result.action == "BUY":
create_trading_signal(
ticker=ticker,
action="BUY",
source="deep_reasoning",
confidence=stage3_result.confidence,
metadata={
"news_id": news_id,
"stage1": stage1_result,
"stage2": stage2_result,
"stage3": stage3_result
}
)
Output Format
{
"news_id": 123,
"ticker": "MRNA",
"headline": "FDA Approves Moderna Cancer Vaccine",
"analysis_timestamp": "2025-12-21T13:00:00Z",
"analysis_duration_sec": 28,
"stage1_direct_impact": {
"summary": "FDA 승인으로 Moderna의 암 백신이 시장 진입. 연간 매출 $5B 추정 (분석가 컨센서스). 회사 총 매출의 ~40% 증가 예상.",
"impact_score": 0.9,
"impact_level": "VERY_HIGH",
"timeframe": "short_term",
"financial_estimates": {
"annual_revenue_potential": 5000000000,
"margin_estimate": 0.65,
"market_exclusivity_years": 7
},
"reasoning": "신약 승인은 즉각적인 매출 기회 창출. Moderna는 mRNA 플랫폼의 입증된 리더로 빠른 상용화 가능."
},
"stage2_secondary_effects": {
"summary": "경쟁 제약사(PFE, MRCK)는 암 백신 경쟁 심화. mRNA 공급망(LNP suppliers) 수혜. 헬스케어 섹터 전체 긍정적.",
"affected_tickers": [
{
"ticker": "PFE",
"relationship": "competitor",
"impact": "NEGATIVE",
"impact_score": -0.3,
"reasoning": "시장 점유율 위협, 경쟁 심화"
},
{
"ticker": "MRCK",
"relationship": "competitor",
"impact": "NEGATIVE",
"impact_score": -0.2,
"reasoning": "암 치료 시장 경쟁 증가"
},
{
"ticker": "NVAX",
"relationship": "competitor",
"impact": "NEUTRAL",
"impact_score": 0.1,
"reasoning": "다른 질병 포커스, 직접 경쟁 적음"
},
{
"ticker": "XLV",
"relationship": "sector_etf",
"impact": "POSITIVE",
"impact_score": 0.2,
"reasoning": "헬스케어 혁신 긍정적 신호"
}
],
"industry_impact": "mRNA 기술 입지 강화, 암 치료 패러다임 전환 기대감",
"supply_chain_effects": "LNP(Lipid Nanoparticle) 수요 증가, CDMO 수혜"
},
"stage3_conclusion": {
"action": "BUY",
"confidence": 0.85,
"reasoning": "Stage 1 매우 긍정적 직접 영향 + Stage 2 경쟁사 약세는 MRNA의 경쟁 우위 강화. 단기 모멘텀 + 장기 펀더멘털 모두 양호.",
"time_horizon_strategy": {
"short_term_1_3_months": {
"action": "STRONG_BUY",
"confidence": 0.90,
"rationale": "FDA 승인 모멘텀, 미디어 주목, 기관 매수 예상",
"target_price": 185.00,
"expected_return": 0.18
},
"medium_term_3_6_months": {
"action": "BUY",
"confidence": 0.80,
"rationale": "상용화 진행, 초기 매출 데이터 공개",
"target_price": 200.00,
"expected_return": 0.28
},
"long_term_6_12_months": {
"action": "HOLD_OR_BUY",
"confidence": 0.70,
"rationale": "매출 본격화, 하지만 경쟁 약물 출현 가능성",
"target_price": 210.00,
"expected_return": 0.34
}
},
"risk_factors": [
{
"risk": "보험 coverage 불확실성",
"probability": 0.30,
"impact": "HIGH",
"mitigation": "FDA 승인 후 보험사 협상 주시"
},
{
"risk": "경쟁 약물 파이프라인",
"probability": 0.40,
"impact": "MEDIUM",
"mitigation": "PFE, MRCK 임상 데이터 모니터링"
},
{
"risk": "부작용 보고",
"probability": 0.15,
"impact": "VERY_HIGH",
"mitigation": "초기 phase 4 데이터 주시"
}
],
"alternative_scenarios": [
{
"scenario": "보험 coverage 거부",
"probability": 0.20,
"price_impact": -0.15,
"action_change": "HOLD → SELL"
},
{
"scenario": "경쟁사 유사 약물 승인 (6개월 내)",
"probability": 0.25,
"price_impact": -0.10,
"action_change": "BUY → HOLD"
},
{
"scenario": "초기 매출 기대치 초과",
"probability": 0.35,
"price_impact": +0.20,
"action_change": "BUY → STRONG_BUY"
}
],
"key_catalysts": [
"보험 coverage 발표 (positive)",
"임상 추가 데이터 (efficacy 확인)",
"국제 승인 (EU, Japan)"
]
},
"trading_signal_generated": true,
"signal_id": "SIG-20251221-045"
}
Examples
Example 1: FDA Approval (위 예시)
Example 2: Negative News (Lawsuit)
News: "Tesla faces $10B lawsuit over Autopilot defects"
Stage 1:
- 직접 영향: 법적 비용 + 브랜드 이미지 타격
- 재무 영향: 최악 $10B (unlikely), 현실적 $1-2B settlement
- Impact Score: 0.6 (MEDIUM-HIGH)
Stage 2:
- 경쟁사: GM, F → POSITIVE (Tesla 약점 부각)
- 규제: 자율주행 규제 강화 가능성 → 전체 섹터 NEGATIVE
- 공급망: Neutral
Stage 3:
- Action: SELL (short-term), HOLD (long-term)
- Confidence: 0.70
- Short-term: 부정적 sentiment 주가 압박 예상
- Long-term: Tesla 브랜드 파워로 회복 가능
Guidelines
Do's ✅
- 깊이 우선: 속도보다 정확성과 깊이
- 3단계 엄격 준수: 각 Stage 명확히 구분
- Related Tickers 포함: 2차 영향 분석 필수
- 시나리오 분석: Alternative scenarios 제시
Don'ts ❌
- 단계 건너뛰기 금지
- 표면적 분석 금지 (Quick Analyzer와 차별화)
- Related tickers 누락 금지
- Risk factors 생략 금지
Integration
API Endpoint
@router.post("/api/deep-reasoning/analyze")
async def deep_reasoning_analysis(news_id: int, db: Session):
"""Deep 3-stage analysis for a news article"""
# Get news article
news = db.query(NewsArticle).filter_by(id=news_id).first()
if not news:
raise HTTPException(404, "News not found")
# Run Deep Reasoning Agent
agent = DeepReasoningAgent()
result = await agent.execute({
'news_id': news_id,
'ticker': news.ticker,
'headline': news.headline,
'content': news.content
})
# Generate trading signal
if result['stage3_conclusion']['action'] in ['BUY', 'SELL']:
create_trading_signal(
ticker=news.ticker,
action=result['stage3_conclusion']['action'],
confidence=result['stage3_conclusion']['confidence'],
source='deep_reasoning',
reasoning=result['stage3_conclusion']['reasoning'],
metadata=result
)
return result
Performance Metrics
- Analysis Time: 평균 20-30초 (깊이 우선)
- Accuracy: 목표 > 75% (Quick Analyzer 60% 대비 높음)
- Related Tickers Recall: > 90% (주요 영향 티커 포착)
- User Satisfaction: > 4.5/5 (깊이감)
Comparison
| Agent | Speed | Depth | Accuracy | Use Case |
|---|---|---|---|---|
| Quick Analyzer | 5초 | ⭐ | 60% | 빠른 확인 |
| Deep Reasoning | 30초 | ⭐⭐⭐ | 75% | 중요한 결정 |
| War Room | 15초 | ⭐⭐ | 65% | 합의 기반 |
Version History
- v1.0 (2025-12-21): Initial release with 3-stage Chain of Thought methodology