TradingAgents: мультиагентный фреймворк для финансового трейдинга на базе LLM

Разбор статьи

Проблема и мотивация

Традиционные алгоритмы количественного трейдинга часто сталкиваются с трудностями при обработке неструктурированных текстовых данных, таких как заголовки новостей, корпоративная финансовая отчетность и настроения в социальных сетях. В то же время глубокие нейросетевые модели работают как «черные ящики» и обладают низкой интерпретируемостью. Хотя большие языковые модели (LLM) обеспечивают понимание естественного языка и объяснимость, предыдущие финансовые решения на базе LLM чаще всего применяли одиночных агентов или неструктурированные мультиагентные схемы. Такие системы страдают от двух основных недостатков: в них отсутствует реалистичное организационное моделирование инвестиционных фирм, и они опираются на открытые текстовые чат-логи, подверженные эффекту «испорченного телефона» (telephone effect), когда критически важный контекст теряется или искажается на длинных горизонтах.

Ключевые идеи

• Организационная иерархия: TradingAgents воспроизводит структуру инвестиционной компании с Уолл-стрит, разделенной на специализированные подразделения: команду аналитиков (Analyst Team), команду исследователей (Researcher Team), агентов-трейдеров, команду риск-менеджмента (Risk Management Team) и финального управляющего фондом.
• Диалектические мультиагентные дебаты: Вместо принятия решений в одностороннем порядке фреймворк проводит структурированные многораундовые дебаты между «бычьими» и «медвежьими» исследователями, а также многосторонние обсуждения между агрессивным, консервативным и нейтральным риск-менеджерами.
• Гибридный протокол коммуникации: Система исключает использование непрерывных неструктурированных пулов переписки, фиксируя состояния агентов в виде стандартизированных отчетов и структурированных записей; диалоги на естественном языке применяются исключительно в строго ограниченных многораундовых дебатах.
• Многоуровневый выбор моделей: Быстрые и недорогие модели (gpt-4o, gpt-4o-mini) выполняют поиск и форматирование данных, тогда как глубокие рассуждающие модели (o1-preview) обеспечивают углубленный анализ, проведение дебатов и определение размера торговых позиций.

Метод (с ключевыми формулами)

Все агенты функционируют по парадигме ReAct (Reasoning and Acting), имея доступ к специализированным внешним инструментам (Yahoo Finance, EODHD, Finnhub, Reddit). Работа агентов разбита на пять последовательных этапов:

1. Analyst Team: Четыре параллельных агента формируют структурированные отчеты по фундаментальным показателям компании, сентименту в соцсетях, новостям/макроэкономике и техническим индикаторам (оценивается до 60 показателей, включая RSI, MACD, полосы Боллинджера, ATR, ADX).
2. Researcher Team: «Бычий» и «медвежий» аналитики-исследователи запрашивают аналитические отчеты и ведут $n$ раундов дебатов под контролем агента-фасилитатора (Facilitator), который определяет итоговую преобладающую позицию.
3. Trader Execution: Агент-трейдер синтезирует выводы исследователей и рыночные данные, формируя целевые сигналы покупки/продажи/удержания позиции (buy/sell/hold) и их обоснование.
4. Risk Management Deliberation: Рисковый («Risky»), консервативный («Safe») и нейтральный аналитики в течение $n$ раундов обсуждают допустимый уровень экспозиции портфеля, размер кредитного плеча и уровни стоп-лоссов.
5. Fund Manager Approval: Финальный риск- и управляющий директор утверждает, корректирует или отклоняет исполнение ордеров на основе сводных рекомендаций команды управления рисками.

Эффективность портфеля оценивается по четырем ключевым финансовым метрикам:

• Cumulative Return (CR) (Кумулятивная доходность): $$\text{CR}=\left(\frac{V_{\text{end}}-V_{\text{start}}}{V_{\text{start}}}\right)\times 100\%$$
• Annualized Return (AR) (Годовая доходность): $$\text{AR}=\left({\left(\frac{V_{\text{end}}}{V_{\text{start}}}\right)}^{\frac{1}{N}}-1\right)\times 100\%$$ где $N$ — период тестирования в годах.
• Sharpe Ratio (SR) (Коэффициент Шарпа): $$\text{SR}=\frac{\bar{R}-R_f}{\sigma }$$ где $\bar{R}$ — средняя доходность портфеля, $R_f$ — безрисковая ставка, а $\sigma$ — волатильность доходности.
• Maximum Drawdown (MDD) (Максимальная просадка): $$\text{MDD}=\underset{t\in [0,T]}{\max }\left(\frac{{\text{Peak}}_t-{\text{Trough}}_t}{{\text{Peak}}_t}\right)\times 100\%$$

Результаты (с важнейшими цифрами)

Бэктестинг проводился без ошибки заглядывания вперед (look-ahead bias) за период с 1 января по 29 марта 2024 года на акциях ведущих технологических компаний ($AAPL, $GOOGL, $AMZN) в сравнении со стратегией Buy & Hold и классическими индикаторными стратегиями (MACD, KDJ+RSI, ZMR, SMA):

• AAPL: TradingAgents продемонстрировал кумулятивную доходность (CR) 26,62% (ARR 30,50%, коэффициент Шарпа 8,21 и MDD 0,91%), в то время как стратегия Buy & Hold показала -5,23% (MDD 11,90%), а лучший базовый метод (KDJ&RSI) заработал лишь 2,05%.
• GOOGL: TradingAgents показал результат по CR в 24,36% и SR 6,39 (MDD 1,69%), уверенно обойдя Buy & Hold (7,78% CR, 13,04% MDD).
• AMZN: TradingAgents достиг 23,21% CR и 5,60 SR (MDD 2,11%), превзойдя Buy & Hold (17,10% CR, 3,80% MDD).
• Сбалансированный риск-менеджмент: Несмотря на высокую доходность, максимальные просадки строго удерживались в пределах 2,11% по всем акциям благодаря активному вмешательству команды Risk Management Team.

Ограничения и открытые вопросы

• Высокие вычислительные затраты и стоимость API: Прогноз на один торговый день требует около 11 вызовов LLM и более 20 обращений к внешним инструментам, что ограничило период симуляционного тестирования 3 месяцами.
• Экстремальные значения коэффициента Шарпа: Чрезвычайно высокий коэффициент Шарпа (от >5,60 до 8,21) обусловлен тестовым периодом практически без резких откатов для стратегии, что требует валидации на многолетних горизонтах с полными рыночными циклами и медвежьими трендами.
• Фрикционные издержки исполнения: Фреймворк предполагает идеальное исполнение сигналов без учета проскальзывания (slippage), влияния сделок на рынок (market impact), сетевых задержек биржи или брокерских комиссий в реальном биржевом стакане.