TradingAgents: Kerangka Kerja Perdagangan Finansial Multi-Agent LLM

Panduan membaca

Masalah dan motivasi

Algoritma perdagangan kuantitatif tradisional sering kali kesulitan menyintesis data tekstual tidak terstruktur seperti tajuk berita, laporan laba perusahaan, dan sentimen media sosial. Sementara itu, model perdagangan deep learning beroperasi sebagai kotak hitam (black box) dengan interpretabilitas yang rendah. Meskipun Large Language Models (LLM) menawarkan pemahaman bahasa alami dan kemampuan penjelasan (explainability), sistem keuangan berbasis LLM terdahulu biasanya menerapkan agen tunggal atau konfigurasi multi-agent yang tidak terstruktur. Pengaturan ini memiliki dua kelemahan utama: minimnya pemodelan organisasi seperti firma trading yang sebenarnya, dan ketergantungan pada log obrolan bahasa alami terbuka yang menurun kualitasnya akibat 'telephone effect', di mana konteks penting hilang atau rusak dalam jangka waktu yang panjang.

Gagasan utama

• Hierarki Organisasi: TradingAgents mencerminkan firma investasi Wall Street yang terbagi ke dalam divisi-divisi terspesialisasi: Tim Analis, Tim Peneliti, Agen Trader, Tim Manajemen Risiko, dan Manajer Dana (Fund Manager) tertinggi.
• Debat Multi-Agent Dialektis: Alih-alih keputusan sepihak, kerangka kerja ini menjalankan debat multi-putaran terstruktur antara peneliti Bullish dan Bearish, serta diskusi multi-perspektif antara manajer risiko agresif, aman, dan netral.
• Protokol Komunikasi Hibrida: Sistem menghindari kumpulan teks bebas yang tidak terstruktur dengan mencatat status agen sebagai laporan dan entri data standar yang terstruktur, serta membatasi dialog bahasa alami hanya untuk debat multi-putaran.
• Tingkatan Model (Model Tiering): Model yang cepat dan berbiaya lebih rendah (gpt-4o, gpt-4o-mini) menangani pengambilan dan pemformatan data, sementara model penalaran mendalam (o1-preview) mendukung analisis mendalam, perdebatan, dan penentuan ukuran posisi (trade sizing).

Metode (dengan persamaan-persamaan kunci)

Semua agen beroperasi menggunakan paradigma ReAct (Reasoning and Acting) dengan akses ke alat eksternal terspesialisasi (misalnya Yahoo Finance, EODHD, Finnhub, Reddit). Tindakan agen berlangsung dalam lima tahap berurutan:

1. Tim Analis: Empat agen yang bekerja secara konkuren menghasilkan laporan terstruktur mencakup Fundamental Perusahaan, Sentimen Sosial, Berita/Makroekonomi, dan Indikator Teknikal (mengevaluasi hingga 60 indikator seperti RSI, MACD, Bollinger Bands, ATR, ADX).
2. Tim Peneliti: Agen peneliti Bullish dan Bearish menelaah laporan analis dan berdebat selama $n$ putaran di bawah pengawasan Agen Fasilitator, yang kemudian memilih pandangan yang dominan.
3. Eksekusi Trader: Agen Trader menyintesis wawasan peneliti dan data pasar untuk menghasilkan keputusan target beli/jual/tahan beserta alasannya.
4. Musyawarah Manajemen Risiko: Analis pencari risiko ('Risky'), konservatif ('Safe'), dan netral memperdebatkan eksposur portofolio, leverage, dan kebutuhan stop-loss selama $n$ putaran.
5. Persetujuan Manajer Dana: Manajer akhir menyetujui, memodifikasi, atau menolak eksekusi perdagangan berdasarkan panduan sintesis dari tim risiko.

Performa portofolio diukur melalui empat metrik finansial utama:

• Imbal Hasil Kumulatif (Cumulative Return / CR): $$\text{CR}=\left(\frac{V_{\text{end}}-V_{\text{start}}}{V_{\text{start}}}\right)\times 100\%$$
• Imbal Hasil Disetahunkan (Annualized Return / AR): $$\text{AR}=\left({\left(\frac{V_{\text{end}}}{V_{\text{start}}}\right)}^{\frac{1}{N}}-1\right)\times 100\%$$ di mana $N$ adalah periode evaluasi dalam tahun.
• Rasio Sharpe (Sharpe Ratio / SR): $$\text{SR}=\frac{\bar{R}-R_f}{\sigma }$$ di mana $\bar{R}$ adalah rata-rata imbal hasil portofolio, $R_f$ adalah suku bunga bebas risiko, dan $\sigma$ adalah volatilitas imbal hasil.
• Penurunan Maksimum (Maximum Drawdown / MDD): $$\text{MDD}=\underset{t\in [0,T]}{\max }\left(\frac{{\text{Peak}}_t-{\text{Trough}}_t}{{\text{Peak}}_t}\right)\times 100\%$$

Hasil (dengan angka-angka terpenting)

Simulasi pengujian balik (backtesting) dijalankan dari 1 Januari hingga 29 Maret 2024 tanpa look-ahead bias pada saham-saham teknologi utama ($AAPL, $GOOGL, $AMZN) berhadapan dengan strategi Buy & Hold serta strategi teknikal (MACD, KDJ+RSI, ZMR, SMA):

• AAPL: TradingAgents mencapai imbal hasil kumulatif (CR) sebesar 26,62% (ARR 30,50%, Rasio Sharpe 8,21, dan MDD 0,91%), sedangkan Buy & Hold menghasilkan -5,23% (MDD 11,90%) dan baseline terbaik (KDJ&RSI) hanya memperoleh 2,05%.
• GOOGL: TradingAgents mencapai CR 24,36% dan SR 6,39 (MDD 1,69%), melampaui Buy & Hold (7,78% CR, 13,04% MDD).
• AMZN: TradingAgents meraih CR 23,21% dan SR 5,60 (MDD 2,11%), mengalahkan Buy & Hold (17,10% CR, 3,80% MDD).
• Pengendalian Risiko yang Seimbang: Meskipun menghasilkan imbal hasil tinggi, maximum drawdown tetap terkendali secara ketat di bawah 2,11% pada semua saham berkat intervensi aktif oleh Tim Manajemen Risiko.

Keterbatasan dan pertanyaan terbuka

• Biaya Komputasi/API yang Tinggi: Prediksi untuk satu hari membutuhkan sekitar 11 pemanggilan LLM dan lebih dari 20 pemanggilan alat (tool call), yang membatasi jendela simulasi backtest hanya selama 3 bulan.
• Rasio Sharpe Ekstrem: Rasio Sharpe yang luar biasa tinggi (>5,60 hingga 8,21) mencerminkan periode pengujian yang hampir tanpa penurunan tajam (pullback) bagi sistem ini, sehingga menuntut perlunya pengujian multi-tahun di seluruh siklus pasar penuh dan rezim bearish.
• Friksi Eksekusi: Kerangka kerja ini mengasumsikan pengisian sinyal order secara mulus tanpa memodelkan slippage, dampak pasar (market impact), latensi bursa, atau hambatan komisi transaksi dalam buku pesanan (order book) langsung.