TradingAgents: Framework Multiagente de Negociação Financeira com LLMs

Guia de leitura

Problema e motivação

Algoritmos tradicionais de trading quantitativo frequentemente têm dificuldades para sintetizar dados textuais não estruturados, como manchetes de notícias, relatórios de lucros corporativos e sentimento em mídias sociais. Ao mesmo tempo, modelos de trading baseados em deep learning operam como caixas-pretas, sofrendo com baixa interpretabilidade. Embora os Large Language Models (LLMs) ofereçam compreensão de linguagem natural e explicabilidade, sistemas financeiros anteriores baseados em LLM normalmente utilizam agentes únicos ou arquiteturas multiagente não estruturadas. Essas abordagens sofrem de duas grandes falhas: não possuem a modelagem organizacional de firmas de trading reais e dependem de históricos abertos de chat em linguagem natural que se degradam devido a um "efeito telefone sem fio", no qual contextos críticos são perdidos ou corrompidos em horizontes longos.

Ideias centrais

• Hierarquia Organizacional: O TradingAgents espelha uma firma de investimentos de Wall Street dividida em divisões especializadas: uma Equipe de Analistas, uma Equipe de Pesquisadores, Agentes Traders, uma Equipe de Gestão de Risco e um Gestor de Fundo no topo da hierarquia.
• Debates Dialéticos Multiagente: Em vez de decisões unilaterais, o framework executa debates estruturados de múltiplas rodadas entre pesquisadores Bullish (otimistas) e Bearish (pessimistas), além de discussões com múltiplas perspectivas entre gestores de risco agressivos, seguros e neutros.
• Protocolo Híbrido de Comunicação: O sistema evita repositórios de texto contínuos e não estruturados registrando os estados dos agentes na forma de relatórios padronizados e estruturados e entradas de dados, reservando o diálogo em linguagem natural exclusivamente para debates de múltiplos turnos.
• Segmentação de Modelos (Model Tiering): Modelos mais rápidos e de menor custo (gpt-4o, gpt-4o-mini) lidam com a recuperação e formatação de dados, enquanto modelos de raciocínio profundo (o1-preview) realizam análises aprofundadas, debates e dimensionamento de operações.

Método (com as equações fundamentais)

Todos os agentes operam utilizando o paradigma ReAct (Reasoning and Acting) com acesso a ferramentas externas especializadas (por exemplo, Yahoo Finance, EODHD, Finnhub, Reddit). As ações dos agentes ocorrem em cinco etapas sequenciais:

1. Equipe de Analistas: Quatro agentes simultâneos geram relatórios estruturados abrangendo Fundamentos da Empresa, Sentimento Social, Notícias/Macroeconomia e Indicadores Técnicos (avaliando até 60 indicadores, como RSI, MACD, Bollinger Bands, ATR, ADX).
2. Equipe de Pesquisadores: Agentes pesquisadores Bullish e Bearish consultam os relatórios dos analistas e debatem ao longo de $n$ rodadas sob a supervisão de um Agente Facilitador, que seleciona a postura vencedora.
3. Execução pelo Trader: O agente Trader sintetiza os insights dos pesquisadores e os dados de mercado para gerar decisões de compra/venda/manutenção (buy/sell/hold) e suas justificativas.
4. Deliberação de Gestão de Risco: Analistas com apetite ao risco ("Risky"), conservadores ("Safe") e neutros debatem a exposição do portfólio, alavancagem e necessidades de stop-loss ao longo de $n$ rodadas.
5. Aprovação do Gestor de Fundo: O gestor final aprova, modifica ou rejeita a execução da operação com base nas orientações consolidadas da equipe de risco.

O desempenho do portfólio é medido por quatro métricas financeiras principais:

• Retorno Acumulado (Cumulative Return - CR): $$\text{CR}=\left(\frac{V_{\text{end}}-V_{\text{start}}}{V_{\text{start}}}\right)\times 100\%$$
• Retorno Anualizado (Annualized Return - AR): $$\text{AR}=\left({\left(\frac{V_{\text{end}}}{V_{\text{start}}}\right)}^{\frac{1}{N}}-1\right)\times 100\%$$ onde $N$ é o período de avaliação em anos.
• Sharpe Ratio (SR): $$\text{SR}=\frac{\bar{R}-R_f}{\sigma }$$ onde $\bar{R}$ é o retorno médio do portfólio, $R_f$ é a taxa livre de risco e $\sigma$ é a volatilidade dos retornos.
• Drawdown Máximo (Maximum Drawdown - MDD): $$\text{MDD}=\underset{t\in [0,T]}{\max }\left(\frac{{\text{Peak}}_t-{\text{Trough}}_t}{{\text{Peak}}_t}\right)\times 100\%$$

Resultados (com os números mais importantes)

A simulação de backtesting foi executada de 1º de janeiro a 29 de março de 2024, sem viés de antecipação (look-ahead bias), abrangendo grandes ações de tecnologia ($AAPL, $GOOGL, $AMZN) e comparada contra Buy & Hold e estratégias técnicas (MACD, KDJ+RSI, ZMR, SMA):

• AAPL: O TradingAgents alcançou um retorno acumulado (CR) de 26,62% (ARR de 30,50%, Sharpe Ratio de 8,21 e MDD de 0,91%), enquanto o Buy & Hold obteve -5,23% (MDD de 11,90%) e o melhor baseline (KDJ&RSI) rendeu apenas 2,05%.
• GOOGL: O TradingAgents atingiu um CR de 24,36% e SR de 6,39 (MDD de 1,69%), superando o Buy & Hold (7,78% de CR, 13,04% de MDD).
• AMZN: O TradingAgents obteve 23,21% de CR e 5,60 de SR (MDD de 2,11%), superando o Buy & Hold (17,10% de CR, 3,80% de MDD).
• Controle Equilibrado de Risco: Apesar da alta geração de retorno, os rebaixamentos máximos mantiveram-se rigorosamente controlados abaixo de 2,11% em todas as ações, devido à intervenção ativa da Equipe de Gestão de Risco.

Limitações e questões em aberto

• Alto Custo Computacional/de API: As previsões para um único dia exigem cerca de 11 chamadas a LLMs e mais de 20 chamadas a ferramentas, o que limitou a janela de simulação do backtest a 3 meses.
• Sharpe Ratios Extremos: Os índices Sharpe excepcionalmente altos (>5,60 a 8,21) refletem um período de testes praticamente sem retrações acentuadas para o sistema, ressaltando a necessidade de testes plurianuais cobrindo ciclos de mercado completos e regimes de baixa (bear markets).
• Atrito de Execução: O framework assume execuções limpas das ordens sem modelar derrapagem (slippage), impacto de mercado, latência da bolsa ou custos de comissões de transação em livros de ofertas reais.