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

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%

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:

What happened?
How does it affect the company's revenue?
What is the financial impact?
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:

How do competitors react?
Supply chain impact?
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:

BUY/SELL/HOLD?
Short-term vs Long-term strategy?
Key risks?
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

deep-reasoning-agent

Safety Notice

Copy this and send it to your AI assistant to learn

Find related tickers

Source Transparency

Related Skills

notification-agent

debugging-agent

backtest-analyzer-agent

institutional-agent