TradingAgents: Multi-Agents LLM Financial Trading Framework

Yijia Xiao; Edward Sun; Di Luo; Wei Wang

الأوراق البحثية · arXiv 2412.20138

TradingAgents: إطار تداول مالي متعدد الوكلاء باستخدام النماذج اللغوية الكبيرة

TradingAgents: Multi-Agents LLM Financial Trading Framework

Yijia Xiao, Edward Sun, Di Luo, Wei Wang

تاريخ النشر 2024-12-28q-fin.TRcs.AIcs.CEcs.LG arXiv PDF

اقرأ مع الترجمة والذكاء الاصطناعي

الملخص في ثلاثة أسطر

🎯 تفتقر أدوات التداول الحالية المعتمدة على LLM إلى الهياكل التنظيمية الواقعية وتعاني من تشوه المعلومات الناتج عن 'تأثير لعبة الهاتف' في الحوارات الطويلة غير المنظمة.
🔧 يحاكي شركة تداول واقعية تضم 7 أدوار متخصصة للوكلاء عبر مستويات المحلل، والباحث، والمتداول، وإدارة المخاطر، ومدير الصندوق باستخدام تقارير منظمة ومناظرات هادفة.
📈 تفوق على استراتيجية الشراء والاحتفاظ (Buy & Hold) والنماذج المرجعية المعتمدة على القواعد عبر الأصول المختبرة، محققاً عائداً تراكمياً قدره 26.62% على سهم AAPL وما لا يقل عن 23.21% عبر أسهم التكنولوجيا التي تم تقييمها خلال الربع الأول من عام 2024.

الملخص

تحقق تقدم ملحوظ في الحل المؤتمت للمشكلات باستخدام مجتمعات من الوكلاء المدعومة بالنماذج اللغوية الكبيرة (LLMs). وفي المجال المالي، ركزت الجهود إلى حد كبير على أنظمة الوكيل الواحد للتعامل مع مهام محددة أو أطر العمل متعددة الوكلاء التي تجمع البيانات بشكل مستقل. ومع ذلك، لا تزال إمكانات الأنظمة متعددة الوكلاء في محاكاة الديناميكيات التعاونية لشركات التداول الواقعية غير مستكشفة بما يكفي. يقترح TradingAgents إطار عمل جديداً لتداول الأسهم مستوحى من شركات التداول، يضم وكلاء مدعومين بنماذج LLM في أدوار متخصصة مثل محللي الأساسيات، ومحللي المعنويات، والمحللين الفنيين، والمتداولين ذوي الملفات التعريفية المتنوعة للمخاطر. يتضمن الإطار وكلاء باحثين يمثلون وجهتي نظر التفاؤل والتشاؤم لتقييم ظروف السوق، وفريقاً لإدارة المخاطر لمراقبة التعرض، ومتداولين يستخلصون الرؤى من المناظرات والبيانات التاريخية لاتخاذ قرارات مدروسة. ومن خلال محاكاة بيئة تداول ديناميكية وتعاونية، يهدف هذا الإطار إلى تحسين أداء التداول. تكشف البنية المعمارية المفصلة والتجارب المكثفة عن تفوقه على النماذج المرجعية، مع تحسينات ملحوظة في العوائد التراكمية، ونسبة شارب، والحد الأقصى للتراجع، مما يسلط الضوء على إمكانات أطر عمل LLM متعددة الوكلاء في التداول المالي. يتوفر TradingAgents عبر https://github.com/TauricResearch/TradingAgents.

الملخص الأصلي (بالإنجليزية)

Significant progress has been made in automated problem-solving using societies of agents powered by large language models (LLMs). In finance, efforts have largely focused on single-agent systems handling specific tasks or multi-agent frameworks independently gathering data. However, the multi-agent systems' potential to replicate real-world trading firms' collaborative dynamics remains underexplored. TradingAgents proposes a novel stock trading framework inspired by trading firms, featuring LLM-powered agents in specialized roles such as fundamental analysts, sentiment analysts, technical analysts, and traders with varied risk profiles. The framework includes Bull and Bear researcher agents assessing market conditions, a risk management team monitoring exposure, and traders synthesizing insights from debates and historical data to make informed decisions. By simulating a dynamic, collaborative trading environment, this framework aims to improve trading performance. Detailed architecture and extensive experiments reveal its superiority over baseline models, with notable improvements in cumulative returns, Sharpe ratio, and maximum drawdown, highlighting the potential of multi-agent LLM frameworks in financial trading. TradingAgents is available at https://github.com/TauricResearch/TradingAgents.

دليل القراءة

المشكلة والدافع

غالباً ما تواجه خوارزميات التداول الكمي التقليدية صعوبة في استيعاب البيانات النصية غير المنظمة، مثل عناوين الأخبار وتقارير أرباح الشركات ومعنويات وسائل التواصل الاجتماعي. وفي الوقت نفسه، تعمل نماذج التداول المعتمدة على التعلم العميق كصناديق سوداء تعاني من ضعف قابلية التفسير. وعلى الرغم من أن النماذج اللغوية الكبيرة (LLMs) توفر فهماً متقدماً للغة الطبيعية وقابلية للتفسير، إلا أن الأنظمة المالية السابقة المعتمدة على LLM تنشر عادةً وكيلاً واحداً أو بنى متعددة الوكلاء تفتقر إلى التنظيم. وتعاني هذه البنى من عيبين رئيسيين: غياب النمذجة التنظيمية لشركات التداول الفعلية، والاعتماد على سجلات محادثة مفتوحة باللغة الطبيعية تتدهور بسبب «تأثير لعبة الهاتف»، حيث يُفقد السياق الأساسي أو يتعرض للتشويه عبر النطاقات الزمنية الطويلة.

الأفكار الرئيسية

التسلسل الهرمي التنظيمي: يحاكي TradingAgents بنية شركة استثمارية في وول ستريت مقسمة إلى إدارات متخصصة: فريق المحللين، وفريق الباحثين، ووكلاء التداول، وفريق إدارة المخاطر، ومدير الصندوق النهائي.
المناظرات الجدلية متعددة الوكلاء: بدلاً من اتخاذ قرارات أحادية، يدير إطار العمل مناظرات متعددة الجولات ومنظمة بين باحثين يمثلون الاتجاه الصاعد (Bullish) والاتجاه الهابط (Bearish)، بالإضافة إلى نقاشات متعددة الزوايا بين مديري مخاطر يتبنون توجهات هجومية، ومحافظة، ومحايدة.
بروتوكول اتصال هجين: يتجنب النظام تجمعات النصوص المستمرة وغير المنظمة عن طريق تسجيل حالات الوكلاء كتقارير منظمة ومدخلات بيانات قياسية، مع قصر الحوار باللغة الطبيعية حصرياً على المناظرات متعددة الجولات.
تدرج النماذج: تتولى النماذج السريعة ومنخفضة التكلفة (gpt-4o وgpt-4o-mini) استرجاع البيانات وتنسيقها، بينما تدعم نماذج الاستدلال والتفكير العميق (o1-preview) التحليل المتعمق والمناظرة وتحديد أحجام الصفقات.

الطريقة (مع المعادلات الرئيسية)

يعمل جميع الوكلاء وفق نموذج ReAct (Reasoning and Acting) مع إمكانية الوصول إلى أدوات خارجية متخصصة (مثل Yahoo Finance وEODHD وFinnhub وReddit). وتسير إجراءات الوكلاء عبر خمس مراحل متتالية:

فريق المحللين: يُنشئ أربعة وكلاء متزامنين تقارير منظمة تشمل الأساسيات المالية للشركة، والمعنويات الاجتماعية، والأخبار/الاقتصاد الكلي، والمؤشرات الفنية (تقييم ما يصل إلى 60 مؤشراً مثل RSI وMACD وBollinger Bands وATR وADX).
فريق الباحثين: يستعلم وكيلا الأبحاث (المتفائل والمتشائم) عن تقارير المحللين ويتناظران لعدد $n$ من الجولات تحت إشراف وكيل ميسِّر (Facilitator Agent) يختار الموقف الراجح.
تنفيذ المتداول: يدمج وكيل التداول رؤى الباحثين وبيانات السوق لتوليد قرارات البيع/الشراء/الاحتفاظ الموجهة وأسبابها المنطقية.
مداولات إدارة المخاطر: يتناظر محللون باحثون عن المخاطر («Risky») ومحافظون («Safe») ومحايدون حول حجم تعرض المحفظة، والرافعة المالية، وحاجات وقف الخسارة على مدار $n$ من الجولات.
موافقة مدير الصندوق: يوافق المدير النهائي على تنفيذ الصفقة أو يعدلها أو يرفضها بناءً على التوجيهات المجمعة الصادرة من فريق المخاطر.

يُقاس أداء المحفظة عبر أربعة مقاييس مالية رئيسية:

العائد التراكمي (CR): $CR = (\frac{V _{end} - V _{start}}{V _{start}}) \times 100%$
العائد السنوي (AR): $AR = ((\frac{V _{end}}{V _{start}})^{\frac{1}{N}} - 1) \times 100%$ حيث تمثل $N$ فترة التقييم بالسنوات.
نسبة شارب (SR): $SR = \frac{R ˉ - R _{f}}{σ}$ حيث تمثل $\overset{ˉ}{R}$ متوسط عائد المحفظة، و $R_{f}$ معدل العائد الخالي من المخاطر، و $σ$ التقلب في العوائد.
الحد الأقصى للتراجع (MDD): $MDD = t \in [0, T] max (\frac{Peak _{t} - Trough _{t}}{Peak _{t}}) \times 100%$

النتائج (مع أهم الأرقام)

أُجريت محاكاة الاختبار العكسي في الفترة من 1 يناير إلى 29 مارس 2024، دون تحيز استباقي للأحداث المستقبلية، عبر كبرى أسهم التكنولوجيا ( $AA P L و$ GOOGL و$AMZN) مقابل استراتيجية الشراء والاحتفاظ (Buy & Hold) واستراتيجيات فنية (MACD وKDJ+RSI وZMR وSMA):

AAPL: حقق TradingAgents عائداً تراكمياً (CR) بلغ 26.62% (ومعدل عائد سنوي 30.50%، ونسبة شارب 8.21، وأقصى تراجع 0.91%)، في حين حققت استراتيجية الشراء والاحتفاظ -5.23% (بأقصى تراجع 11.90%) وحقق أفضل نموذج مرجعي (KDJ&RSI) نسبة 2.05% فقط.
GOOGL: وصل TradingAgents إلى عائد تراكمي قدره 24.36% ونسبة شارب 6.39 (بأقصى تراجع 1.69%)، متفوقاً على الشراء والاحتفاظ (7.78% عائد تراكمي، و13.04% أقصى تراجع).
AMZN: حقق TradingAgents عائداً تراكمياً بنسبة 23.21% ونسبة شارب 5.60 (بأقصى تراجع 2.11%)، متفوقاً على الشراء والاحتفاظ (17.10% عائد تراكمي، و3.80% أقصى تراجع).
تحكم متوازن في المخاطر: على الرغم من تحقيق عوائد مرتفعة، ظل الحد الأقصى للتراجع مضبوطاً بدقة تحت 2.11% عبر جميع الأسهم بفضل التدخل النشط من فريق إدارة المخاطر.

نقاط القصور والمسائل المفتوحة

ارتفاع تكاليف الحوسبة والواجهات البرمجية (API): تتطلب توقعات اليوم الواحد نحو 11 استدعاءً لـ LLM وأكثر من 20 استدعاءً للأدوات، مما حد من نافذة محاكاة الاختبار العكسي إلى 3 أشهر فقط.
نسب شارب المرتفعة للغاية: تعكس نسب شارب العالية استثنائياً (>5.60 إلى 8.21) فترة اختبار لم تشهد تقريباً أي تراجعات حادة للنظام، مما يؤكد الحاجة إلى إجراء اختبارات تمتد لعدة سنوات عبر دورات السوق الكاملة والظروف الهابطة.
احتكاكات التنفيذ: يفترض إطار العمل تنفيذ الإشارات بأفضل الأسعار دون نمذجة الانزلاق السعري (slippage)، أو التأثير على السوق، أو زمن انتقال البورصة، أو رسوم العمولات في سجلات الأوامر الحية.

المصطلحات الرئيسية

TradingAgents: إطار عمل للتداول المالي متعدد الوكلاء مدعوم بالنماذج اللغوية الكبيرة (LLMs) يحاكي الأدوار الهرمية، وسير العمل التحليلي، وضوابط المخاطر لشركات التداول الاحترافية.
ReAct prompting framework: أسلوب يحقق التكامل بين التفكير والعمل (استدعاء الأدوات)، مما يتيح لوكلاء LLM فحص بيانات البيئة والاستعلام من واجهات البرمجة وتنفيذ القرارات بصورة تكرارية.
Telephone effect: التدهور، وتشبع طول السياق، وتشويه الحقائق الذي يحدث عندما يتواصل وكلاء متعددون حصرياً عبر سجلات محادثة مطولة باللغة الطبيعية تفتقر إلى الهيكلية.
Analyst Team: مجموعة مكونة من أربعة وكلاء متخصصين (محللو الأساسيات، والمعنويات، والأخبار، والمؤشرات الفنية) يجمعون إشارات السوق متعددة الوسائط باستقلالية ويصدرون تقارير منظمة.
Researcher Team: زوج من الوكلاء المتعارضين (يمثلان الاتجاه الصاعد والهابط) ينخرطان في مناظرة متعددة الجولات حول نتائج المحللين، تحت إشراف ميسِّر يصدر خلاصة متوازنة.
Risk Management Team: فريق يتألف من محللي مخاطر يتبنون توجهات هجومية، ومحافظة، ومحايدة، يتناظرون حول مستويات تعرض المحفظة والتقلب ومعايير وقف الخسارة قبل أن يعتمد مدير الصندوق تنفيذ الأوامر النهائي.
Cumulative Return (CR): النسبة المئوية للمكسب أو الخسارة في إجمالي قيمة المحفظة من بداية فترة المحاكاة حتى نهايتها.
Maximum Drawdown (MDD): النسبة المئوية لأقصى هبوط ملحوظ من الذروة إلى القاع في القيمة الصافية للمحفظة خلال أفق زمني محدد.

أسئلة شائعة

ما هي النماذج اللغوية الكبيرة المستخدمة كركائز أساسية لـ TradingAgents؟

يستخدم إطار العمل نهجاً متدرجاً: تتولى النماذج سريعة البديهة مثل gpt-4o وgpt-4o-mini استرجاع البيانات وتنسيقها، بينما تتولى نماذج الاستدلال مثل o1-preview تقارير المحللين، ومناظرات الباحثين، وإشارات التداول، ومداولات فريق إدارة المخاطر.

كيف يحل TradingAgents مشكلة فقدان المعلومات الشائعة في الأنظمة متعددة الوكلاء القائمة على المحادثات؟

يستبدل سلاسل سجلات الرسائل المفتوحة ببروتوكول اتصال منظم؛ حيث ينشر الوكلاء تقارير موجزة ومنظمة ومخزنة في حالة عامة مشتركة ويقرؤونها، مما يقصر المحادثات باللغة الطبيعية حصرياً على مناظرات محددة وموجهة ومتعددة الجولات.

لماذا كانت نسب شارب مرتفعة للغاية أثناء الاختبارات العكسية؟

أشار الباحثون إلى أن نسب شارب تراوحت بين 5.60 و8.21 خلال نافذة تقييم مدتها 3 أشهر (من يناير إلى مارس 2024)، وعللوا ذلك بأن TradingAgents لم يشهد تقريباً أي تراجعات سعرية خلال نافذة الاختبار العكسي تلك تحديداً.

ما هي مصادر البيانات التي يستوعبها إطار العمل؟

يستوعب النظام أسعار OHLCV اليومية، و60 مؤشراً فنياً، والتقارير المالية للجنة الأوراق المالية والبورصات (SEC)، ومعاملات المطلعين، والمقالات الإخبارية عبر EODHD/Finnhub/Bloomberg، والمنشورات على شبكات التواصل الاجتماعي من Reddit وX/Twitter.

كتب الذكاء الاصطناعي الشرح في هذه الصفحة استنادًا إلى الورقة، وقد يحتوي على أخطاء. راجع الورقة للتفاصيل.

اقرأ مع الترجمة والذكاء الاصطناعي