TradingAgents: Multi-Agents LLM Financial Trading Framework

Yijia Xiao; Edward Sun; Di Luo; Wei Wang

論文 · arXiv 2412.20138

TradingAgents: マルチエージェントLLM金融トレーディングフレームワーク

TradingAgents: Multi-Agents LLM Financial Trading Framework

Yijia Xiao, Edward Sun, Di Luo, Wei Wang

公開日 2024-12-28q-fin.TRcs.AIcs.CEcs.LG arXiv PDF

XYZNOT で読む（全文翻訳と AI 解説）

3行まとめ

🎯 既存のLLMトレーディングツールは現実的な組織構造を欠き、構造化されていない長時間の対話による「伝言ゲーム効果」で情報が歪退化します。
🔧 アナリスト、リサーチャー、トレーダー、リスク管理、ファンドマネージャーの各層にわたる7つの専門エージェント役割で実際の取引会社を模擬し、構造化レポートと目的特化型の討論を活用します。
📈 2024年第1四半期のバックテストにおいて、テスト対象のすべてのテック株でBuy & Holdやルールベースのベースラインを上回り、AAPLで26.62%、評価対象全銘柄で23.21%以上の累積リターンを達成しました。

概要

大規模言語モデル（LLM）を活用したエージェント社会による自動問題解決は大きな進展を遂げています。金融分野において、これまでの取り組みは主に特定タスクを処理する単一エージェントシステムや、独立してデータを収集するマルチエージェントフレームワークに集中していました。しかし、実際の取引会社（トレーディングファーム）に見られる協調的ダイナミクスを再現するマルチエージェントシステムの可能性は十分に探索されていません。TradingAgentsは、トレーディング会社に着想を得た新しい株式取引フレームワークを提案します。本フレームワークは、ファンダメンタルズアナリスト、センチメントアナリスト、テクニカルアナリスト、多様なリスク選好を持つトレーダーといった専門役割を担うLLMエージェントを備えています。さらに、市場環境を評価する強気派（Bull）および弱気派（Bear）のリサーチャーエージェント、エクスポージャーを監視するリスク管理チーム、そして議論と過去データから得られた知見を統合して意思決定を行うトレーダーを含みます。ダイナミックで協調的な取引環境をシミュレートすることで、取引パフォーマンスの向上を目指します。詳細なアーキテクチャと広範な実験により、ベースラインモデルに対する優位性が示され、累積リターン、シャープレシオ、最大ドローダウンの大幅な改善が確認され、金融取引におけるマルチエージェントLLMフレームワークの可能性が強調されています。TradingAgentsは https://github.com/TauricResearch/TradingAgents で公開されています。

英語の原文概要

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.

論文解説

問題意識と動機

従来のクオンツ取引アルゴリズムは、ニュースの見出し、企業の決算報告書、ソーシャルメディアのセンチメントといった非構造化テキストデータの統合に苦戦することがよくあります。一方で、深層学習に基づく取引モデルはブラックボックスとして機能するため、解釈性が低いという課題を抱えています。大規模言語モデル（LLM）は自然言語理解と説明可能性を提供しますが、従来のLLMベースの金融システムは通常、単一エージェントまたは非構造化なマルチエージェント構成に依存していました。こうした構成には主に2つの欠点があります。実際の取引会社の組織構造がモデル化されていないこと、そして長期にわたるオープンエンドな自然言語チャットログに依存するため、重要なコンテキストが失われたり変質したりする「伝言ゲーム効果（telephone effect）」が生じることです。

主要なアイデア

組織の階層構造: TradingAgentsは、アナリストチーム、リサーチャーチーム、トレーダーエージェント、リスク管理チーム、そして最終決定を下すファンドマネージャーという専門部門に分かれたウォール街の投資会社を模倣しています。
弁証法的なマルチエージェント討論: 一方的な意思決定を行うのではなく、強気派（Bullish）と弱気派（Bearish）のリサーチャーによる構造化された複数ラウンドの討論や、積極派・保守派・中立派のリスクマネージャー間での多角的な議論を実施します。
ハイブリッド通信プロトコル: エージェントの状態を標準化された構造化レポートおよびデータエントリとして記録し、自然言語による対話は複数ターンの討論に限定することで、非構造化テキストの無秩序な肥大化を回避します。
モデルの階層化（Tiering）: 高速かつ低コストなモデル（gpt-4o、gpt-4o-mini）がデータ取得とフォーマットを担当し、深い思考力を持つ推論モデル（o1-preview）が綿密な分析、討論、およびポジションサイジングを担います。

手法（主要な数式を含む）

すべてのエージェントはReAct（Reasoning and Acting）パラダイムに基づいて動作し、専門的な外部ツール（Yahoo Finance、EODHD、Finnhub、Redditなど）にアクセスできます。エージェントの処理は次の5つの段階で順次進められます：

Analyst Team: 4つの並行エージェントが、企業ファンダメンタルズ、ソーシャルセンチメント、ニュース/マクロ経済、テクニカル指標（RSI、MACD、ボリンジャーバンド、ATR、ADXなど最大60種類の指標を評価）に関する構造化レポートを生成します。
Researcher Team: 強気派と弱気派のリサーチャーエージェントがアナリストレポートを参照し、ファシリテーターエージェントの監督下で $n$ ラウンドの討論を行い、優勢なスタンスを決定します。
Trader Execution: トレーダーエージェントがリサーチャーの洞察と市場データを統合し、目標とする買い/売り/ホールドの決定とその根拠を生成します。
Risk Management Deliberation: リスク追求型（「Risky」）、保守的（「Safe」）、中立的なアナリストが、ポートフォリオのエクスポージャー、レバレッジ、損切り基準について $n$ ラウンドの議論を行います。
Fund Manager Approval: 最終的なマネージャーが、リスクチームの統合指針に基づいて注文執行を承認、修正、または却下します。

ポートフォリオのパフォーマンスは、次の4つの主要な金融指標で測定されます：

累積リターン（Cumulative Return, CR）: $CR = (\frac{V _{end} - V _{start}}{V _{start}}) \times 100%$
年率換算リターン（Annualized Return, AR）: $AR = ((\frac{V _{end}}{V _{start}})^{\frac{1}{N}} - 1) \times 100%$ ここで $N$ は年単位での評価期間です。
シャープレシオ（Sharpe Ratio, SR）: $SR = \frac{R ˉ - R _{f}}{σ}$ ここで $\overset{ˉ}{R}$ は平均ポートフォリオ収益率、 $R_{f}$ は無リスク金利、 $σ$ は収益率のボラティリティです。
最大ドローダウン（Maximum Drawdown, MDD）: $MDD = t \in [0, T] max (\frac{Peak _{t} - Trough _{t}}{Peak _{t}}) \times 100%$

結果（重要な数値を含む）

バックテストシミュレーションは、先読みバイアス（look-ahead bias）を排除した上で、2024年1月1日から3月29日まで主要テック株（ $AA P L 、$ GOOGL、$AMZN）を対象に、Buy & Holdおよびテクニカル戦略（MACD、KDJ+RSI、ZMR、SMA）を相手に実施されました：

AAPL: TradingAgentsは累積リターン（CR）26.62%（ARR 30.50%、シャープレシオ 8.21、MDD 0.91%）を達成しました。これに対し、Buy & Holdは**-5.23%**（MDD 11.90%）、最良のベースライン（KDJ&RSI）でも2.05%にとどまりました。
GOOGL: TradingAgentsはCR 24.36%、SR 6.39（MDD 1.69%）に達し、Buy & Hold（CR 7.78%、MDD 13.04%）を上回りました。
AMZN: TradingAgentsはCR 23.21%、SR 5.60（MDD 2.11%）を記録し、Buy & Hold（CR 17.10%、MDD 3.80%）をアウトパフォームしました。
バランスの取れたリスク制御: 高いリターンを創出しながらも、Risk Management Teamの積極的な介入により、すべての株式において最大ドローダウンは2.11%未満に厳格に抑えられました。

限界と今後の課題

高い計算・APIコスト: 1日の予測におよそ11回のLLM呼び出しと20回以上のツール呼び出しを要するため、バックテストのシミュレーション期間は3か月に制限されました。
極端に高いシャープレシオ: 非常に高いシャープレシオ（>5.60〜8.21）は、本システムにとって急激な価格反落がほとんど生じなかったテスト期間を反映しており、完全な市場サイクルや弱気相場を含む複数年にわたる検証が必要です。
約定時のフリクション: 本フレームワークは板情報におけるスリッページ、マーケットインパクト、取引所のレイテンシ、手数料によるパフォーマンス低下などをモデル化しておらず、シグナル通りの完全な約定を前提としています。

重要用語

TradingAgents: プロの取引会社が持つ階層的役割、分析ワークフロー、リスク管理体制をモデル化した、LLM駆動のマルチエージェント金融取引フレームワーク。
ReAct prompting framework: 推論（思考）と行動（ツール呼び出し）を統合し、LLMエージェントが反復的に環境データを検証し、APIを呼び出し、意思決定を実行できるようにする手法。
Telephone effect (伝言ゲーム効果): 多数のエージェントが長大で非構造化された自然言語のチャットログのみで対話する際に生じる、情報の劣化、コンテキスト長の飽和、事実の変質。
Analyst Team: マルチモーダルな市場シグナルを独立して収集し、構造化レポートを出力する4つの専門エージェント（ファンダメンタルズ、センチメント、ニュース、テクニカルアナリスト）で構成されるチーム。
Researcher Team: アナリストの調査結果をもとに複数ターンの討論を行い、ファシリテーターの監督下でバランスの取れた統合見解を出力する強気派と弱気派の対立エージェントペア。
Risk Management Team: ファンドマネージャーが注文執行を確定する前に、ポートフォリオのエクスポージャー、ボラティリティ、損切り基準を議論する積極派、保守派、中立派のリスクアナリストから成るチーム。
Cumulative Return (CR, 累積リターン): シミュレーション期間の開始時点から終了時点までのポートフォリオ総資産額の増減率。
Maximum Drawdown (MDD, 最大ドローダウン): 特定の評価期間において観察された、ポートフォリオ資産のピーク（最高点）からトラフ（谷）までの最大下落率。

よくある質問

TradingAgentsのバックボーンとしてどのLLMが使用されていますか？

このフレームワークは階層化アプローチを採用しています。gpt-4oやgpt-4o-miniなどの思考速度の速いモデルがデータ取得とフォーマットを担当し、o1-previewなどの推論モデルがアナリストレポート、リサーチャーの討論、トレーダーのシグナル生成、リスクチームの審議を担います。

TradingAgentsはチャット型マルチエージェントシステムで見られる通信ロスをどのように解決していますか？

オープンエンドなメッセージ履歴の連鎖を構造化通信プロトコルに置き換えています。エージェントはグローバルステートに保存された簡潔で構造化されたレポートを公開・読み取り、自然言語による会話は焦点の絞られた制限付きのマルチターン討論のみに限定しています。

バックテスト中のシャープレシオがこれほど高かった理由は何ですか？

著者らは、3か月間の評価期間（2024年1月〜3月）において5.60から8.21というシャープレシオを記録した要因として、その特定のバックテスト期間中においてTradingAgentsがほぼドローダウンを経験しなかったためであると説明しています。

このフレームワークはどのようなデータソースを取り込みますか？

日足のOHLCV価格、60種類のテクニカル指標、SEC提出書類（財務諸表）、インサイダー取引情報、EODHD/Finnhub/Bloomberg経由のニュース記事、ならびにRedditやX/Twitterのソーシャルメディア投稿を取り込みます。

このページの解説は AI が論文から作成したもので、誤りを含む場合があります。詳細は原文をご確認ください。

XYZNOT で読む（全文翻訳と AI 解説）