TradingAgents: Multi-Agents LLM Financial Trading Framework

Yijia Xiao; Edward Sun; Di Luo; Wei Wang

งานวิจัย · arXiv 2412.20138

TradingAgents: เฟรมเวิร์กการซื้อขายทางการเงินแบบหลายเอเจนต์ด้วย LLM

TradingAgents: Multi-Agents LLM Financial Trading Framework

Yijia Xiao, Edward Sun, Di Luo, Wei Wang

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

อ่านพร้อมคำแปลและ AI

สรุปสามบรรทัด

🎯 เครื่องมือเทรดด้วย LLM ที่มีอยู่เดิมขาดโครงสร้างองค์กรที่สมจริง และประสบปัญหาข้อมูลบิดเบือนแบบ 'telephone effect' ในบทสนทนาขนาดยาวที่ไม่มีโครงสร้าง
🔧 จำลองบริษัทเทรดในโลกแห่งความเป็นจริงด้วย 7 บทบาทเอเจนต์เฉพาะทาง ครอบคลุมระดับ Analyst, Researcher, Trader, Risk Management และ Fund Manager โดยใช้รายงานที่มีโครงสร้างและการดีเบตแบบตรงจุด
📈 ทำผลงานได้เหนือกว่า Buy & Hold และเบสไลน์ที่อิงตามกฎในทุกสินทรัพย์ที่ทดสอบ โดยทำผลตอบแทนสะสมได้ 26.62% บน AAPL และอย่างน้อย 23.21% ในหุ้นเทคโนโลยีทั้งหมดที่ประเมินในช่วงไตรมาส 1 ปี 2024

บทคัดย่อ

ความก้าวหน้าอย่างมากเกิดขึ้นในการแก้ปัญหาแบบอัตโนมัติโดยใช้กลุ่มเอเจนต์ที่ขับเคลื่อนด้วยโมเดลภาษาขนาดใหญ่ (LLM) ในภาคการเงิน ความพยายามส่วนใหญ่มุ่งเน้นไปที่ระบบเอเจนต์เดี่ยวสำหรับงานเฉพาะทาง หรือเฟรมเวิร์กหลายเอเจนต์ที่รวบรวมข้อมูลอย่างเป็นอิสระต่อกัน อย่างไรก็ตาม ศักยภาพของระบบหลายเอเจนต์ในการจำลองพลวัตการทำงานร่วมกันของบริษัทเทรดในโลกแห่งความเป็นจริงยังไม่ได้รับการสำรวจอย่างเพียงพอ TradingAgents นำเสนอเฟรมเวิร์กการซื้อขายหุ้นแบบใหม่ที่ได้รับแรงบันดาลใจจากบริษัทเทรด โดยมีเอเจนต์ขับเคลื่อนด้วย LLM ในบทบาทเฉพาะทาง เช่น นักวิเคราะห์ปัจจัยพื้นฐาน นักวิเคราะห์ความเชื่อมั่นตลาด นักวิเคราะห์ทางเทคนิค และเทรดเดอร์ที่มีโปรไฟล์ความเสี่ยงแตกต่างกัน เฟรมเวิร์กนี้ประกอบด้วยเอเจนต์นักวิจัยฝั่ง Bull และ Bear ที่คอยประเมินสภาวะตลาด ทีมบริหารความเสี่ยงที่คอยตรวจสอบความเสี่ยง และเทรดเดอร์ที่สังเคราะห์ข้อมูลเชิงลึกจากการดีเบตและข้อมูลในอดีตเพื่อตัดสินใจอย่างรอบคอบ การจำลองสภาพแวดล้อมการซื้อขายแบบร่วมมือที่มีพลวัตนี้มีเป้าหมายเพื่อเพิ่มประสิทธิภาพการซื้อขาย สถาปัตยกรรมโดยละเอียดและการทดลองที่ครอบคลุมแสดงให้เห็นถึงความเหนือกว่าโมเดลพื้นฐานอย่างมีนัยสำคัญ ทั้งผลตอบแทนสะสม Sharpe ratio และ maximum drawdown ซึ่งเน้นย้ำถึงศักยภาพของเฟรมเวิร์ก LLM หลายเอเจนต์ในการซื้อขายทางการเงิน ทั้งนี้ TradingAgents มีให้ใช้งานที่ https://github.com/TauricResearch/TradingAgents

บทคัดย่อต้นฉบับ (ภาษาอังกฤษ)

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.

คู่มือการอ่าน

ปัญหาและแรงจูงใจ

อัลกอริทึมการซื้อขายเชิงปริมาณแบบดั้งเดิมมักประสบปัญหาในการสังเคราะห์ข้อมูลข้อความที่ไม่มีโครงสร้าง เช่น พาดหัวข่าว รายงานผลประกอบการของบริษัท และความเชื่อมั่นบนโซเชียลมีเดีย ในขณะเดียวกัน โมเดลการเทรดแบบการเรียนรู้เชิงลึกก็ทำงานแบบกล่องดำ (black box) ซึ่งขาดความสามารถในการอธิบาย แม้ว่าโมเดลภาษาขนาดใหญ่ (LLM) จะมีความสามารถในการเข้าใจภาษาธรรมชาติและความสามารถในการตีความ แต่ระบบการเงินที่ใช้ LLM ในอดีตมักใช้เอเจนต์เดี่ยวหรือการตั้งค่าหลายเอเจนต์ที่ไม่มีโครงสร้าง การจัดโครงสร้างเหล่านี้มีข้อบกพร่องสำคัญสองประการ ได้แก่ การขาดการสร้างแบบจำลององค์กรของบริษัทเทรดจริง และการพึ่งพาบันทึกการแช็ตภาษาธรรมชาติแบบปลายเปิดที่เสื่อมถอยลงจาก 'telephone effect' ซึ่งบริบทสำคัญจะสูญหายหรือบิดเบือนไปในระยะยาว

แนวคิดหลัก

ลำดับขั้นในองค์กร (Organizational Hierarchy): TradingAgents ถอดแบบโครงสร้างบริษัทการลงทุนใน Wall Street ที่แบ่งออกเป็นฝ่ายเฉพาะทาง ได้แก่ ทีม Analyst, ทีม Researcher, เอเจนต์ Trader, ทีม Risk Management และ Fund Manager ในขั้นตอนสุดท้าย
การดีเบตเชิงวิภาษวิธีระหว่างหลายเอเจนต์ (Dialectical Multi-Agent Debates): แทนที่จะตัดสินใจฝ่ายเดียว เฟรมเวิร์กนี้จัดการดีเบตแบบมีโครงสร้างหลายรอบระหว่างนักวิจัยฝั่ง Bullish และ Bearish รวมถึงการอภิปรายหลายมุมมองระหว่างผู้จัดการความเสี่ยงสายรุก (aggressive), สายปลอดภัย (safe) และสายเป็นกลาง (neutral)
โพรโทคอลการสื่อสารแบบไฮบริด (Hybrid Communication Protocol): ระบบหลีกเลี่ยงการใช้คลังข้อความที่ไม่มีโครงสร้างอย่างต่อเนื่อง โดยบันทึกสถานะของเอเจนต์เป็นรายงานและรายการข้อมูลที่มีโครงสร้างมาตรฐาน และสงวนการสนทนาภาษาธรรมชาติไว้สำหรับการดีเบตแบบหลายรอบเท่านั้น
การแบ่งระดับโมเดล (Model Tiering): โมเดลที่รวดเร็วและต้นทุนต่ำกว่า (gpt-4o, gpt-4o-mini) จะจัดการการดึงข้อมูลและการจัดรูปแบบ ในขณะที่โมเดลการใช้เหตุผลเชิงลึก (o1-preview) จะขับเคลื่อนการวิเคราะห์เชิงลึก การดีเบต และการกำหนดขนาดสถานะการเทรด

ระเบียบวิธี (พร้อมสมการสำคัญ)

เอเจนต์ทั้งหมดทำงานโดยใช้กระบวนทัศน์ ReAct (Reasoning and Acting) โดยสามารถเข้าถึงเครื่องมือภายนอกเฉพาะทาง (เช่น Yahoo Finance, EODHD, Finnhub, Reddit) การทำงานของเอเจนต์แบ่งออกเป็นห้าขั้นตอนตามลำดับ:

Analyst Team: เอเจนต์สี่ตัวที่ทำงานพร้อมกันสร้างรายงานที่มีโครงสร้างครอบคลุมปัจจัยพื้นฐานของบริษัท (Company Fundamentals), ความเชื่อมั่นทางสังคม (Social Sentiment), ข่าว/เศรษฐกิจมหภาค (News/Macroeconomics) และตัวชี้วัดทางเทคนิค (Technical Indicators ซึ่งประเมินตัวชี้วัดสูงสุดถึง 60 รายการ เช่น RSI, MACD, Bollinger Bands, ATR, ADX)
Researcher Team: เอเจนต์นักวิจัยฝั่ง Bullish และ Bearish จะสอบถามข้อมูลจากรายงานของนักวิเคราะห์และดีเบตกันเป็นจำนวน $n$ รอบ ภายใต้การดูแลของ Facilitator Agent ซึ่งเป็นผู้เลือกมุมมองที่เด่นกว่า
Trader Execution: เอเจนต์ Trader สังเคราะห์ข้อมูลเชิงลึกจากนักวิจัยและข้อมูลตลาดเพื่อสร้างการตัดสินใจ ซื้อ/ขาย/ถือ (buy/sell/hold) ตามเป้าหมายพร้อมเหตุผลประกอบ
Risk Management Deliberation: นักวิเคราะห์สายเสี่ยงสูง ('Risky'), สายระมัดระวัง ('Safe') และสายเป็นกลาง ดีเบตกันเกี่ยวกับความเสี่ยงของพอร์ตโฟลิโอ เลเวอเรจ และความต้องการ Stop-loss เป็นเวลา $n$ รอบ
Fund Manager Approval: ผู้จัดการคนสุดท้ายจะอนุมัติ ปรับเปลี่ยน หรือปฏิเสธการดำเนินการเทรดตามคำแนะนำที่สังเคราะห์จากทีมบริหารความเสี่ยง

ผลการดำเนินงานของพอร์ตโฟลิโอวัดโดยใช้ตัวชี้วัดทางการเงินหลักสี่ตัว:

Cumulative Return (CR): $CR = (\frac{V _{end} - V _{start}}{V _{start}}) \times 100%$
Annualized Return (AR): $AR = ((\frac{V _{end}}{V _{start}})^{\frac{1}{N}} - 1) \times 100%$ โดยที่ $N$ คือระยะเวลาการประเมินเป็นปี
Sharpe Ratio (SR): $SR = \frac{R ˉ - R _{f}}{σ}$ โดยที่ $\overset{ˉ}{R}$ คือผลตอบแทนเฉลี่ยของพอร์ตโฟลิโอ, $R_{f}$ คืออัตราผลตอบแทนที่ปราศจากความเสี่ยง และ $σ$ คือความผันผวนของผลตอบแทน
Maximum Drawdown (MDD): $MDD = t \in [0, T] max (\frac{Peak _{t} - Trough _{t}}{Peak _{t}}) \times 100%$

ผลลัพธ์ (พร้อมตัวเลขที่สำคัญที่สุด)

การจำลองการทดสอบย้อนหลัง (Backtesting) ทำงานตั้งแต่วันที่ 1 มกราคม ถึง 29 มีนาคม 2024 โดยไม่มี Look-ahead bias บนหุ้นเทคโนโลยีขนาดใหญ่ ($AAPL, $GOOGL, $AMZN) เทียบกับกลยุทธ์ Buy & Hold และกลยุทธ์ทางเทคนิค (MACD, KDJ+RSI, ZMR, SMA):

AAPL: TradingAgents ทำผลตอบแทนสะสม (CR) ได้ 26.62% (ARR 30.50%, Sharpe Ratio 8.21 และ MDD 0.91%) ในขณะที่ Buy & Hold ให้ผลตอบแทน -5.23% (MDD 11.90%) และเบสไลน์ที่ดีที่สุด (KDJ&RSI) ได้ผลตอบแทนเพียง 2.05%
GOOGL: TradingAgents ทำ CR ได้ 24.36% และ SR 6.39 (MDD 1.69%) แซงหน้า Buy & Hold (CR 7.78%, MDD 13.04%)
AMZN: TradingAgents ทำ CR ได้ 23.21% และ SR 5.60 (MDD 2.11%) เอาชนะ Buy & Hold (CR 17.10%, MDD 3.80%)
การควบคุมความเสี่ยงอย่างสมดุล: แม้จะสร้างผลตอบแทนที่สูง แต่ค่า Maximum Drawdown ยังคงถูกควบคุมอย่างเข้มงวดให้อยู่ต่ำกว่า 2.11% ในหุ้นทุกตัว เนื่องจากการเข้าแทรกแซงอย่างต่อเนื่องของทีม Risk Management

ข้อจำกัดและประเด็นเปิด

ต้นทุนการประมวลผล/API สูง: การทำนายผลเพียงวันเดียวต้องใช้การเรียก LLM ประมาณ 11 ครั้งและการเรียกใช้เครื่องมือมากกว่า 20 ครั้ง ซึ่งทำให้กรอบเวลาการจำลองทดสอบย้อนหลังจำกัดอยู่ที่ 3 เดือน
Sharpe Ratio ที่สูงผิดปกติ: ค่า Sharpe Ratio ที่สูงมาก (>5.60 ถึง 8.21) สะท้อนถึงช่วงเวลาการทดสอบที่แทบไม่มีการปรับฐานลงรุนแรงสำหรับระบบนี้ ซึ่งชี้ให้เห็นถึงความจำเป็นในการทดสอบหลายปีครอบคลุมวัฏจักรตลาดและสภาวะตลาดหมีอย่างสมบูรณ์
อุปสรรคในการส่งคำสั่งซื้อขาย (Execution Friction): เฟรมเวิร์กนี้สันนิษฐานว่าการจับคู่คำสั่งเทรดเป็นไปอย่างสมบูรณ์โดยไม่ได้จำลองปัญหา Slippage, ผลกระทบต่อตลาด (Market impact), ความหน่วงของกระดานเทรด (Exchange latency) หรือต้นทุนค่าคอมมิชชันในการซื้อขายจริงบน Order book

คำศัพท์สำคัญ

TradingAgents: เฟรมเวิร์กการซื้อขายทางการเงินแบบหลายเอเจนต์ที่ขับเคลื่อนด้วย LLM ซึ่งจำลองบทบาทเชิงลำดับชั้น เวิร์กโฟลว์การวิเคราะห์ และการควบคุมความเสี่ยงของบริษัทเทรดระดับมืออาชีพ
ReAct prompting framework: วิธีการผสานพลังการใช้เหตุผล ('thought') และการกระทำ ('tool calls') เข้าด้วยกัน ช่วยให้เอเจนต์ LLM สามารถตรวจสอบข้อมูลสภาพแวดล้อม เรียกใช้ API และตัดสินใจได้อย่างเป็นวัฏจักร
Telephone effect: การเสื่อมถอยของข้อมูล การอิ่มตัวของความยาวบริบท และความคลาดเคลื่อนของข้อเท็จจริงที่เกิดขึ้นเมื่อมีหลายเอเจนต์สื่อสารกันผ่านบันทึกการแช็ตภาษาธรรมชาติขนาดยาวที่ไม่มีโครงสร้างเท่านั้น
Analyst Team: กลุ่มเอเจนต์เฉพาะทางสี่ตัว ได้แก่ นักวิเคราะห์ปัจจัยพื้นฐาน นักวิเคราะห์ความเชื่อมั่น นักวิเคราะห์ข่าว และนักวิเคราะห์ทางเทคนิค ซึ่งทำหน้าที่รวบรวมสัญญาณตลาดแบบหลายรูปแบบ (multimodal) อย่างเป็นอิสระและสร้างรายงานที่มีโครงสร้าง
Researcher Team: คู่เอเจนต์ที่มีมุมมองตรงข้ามกัน ได้แก่ Bullish และ Bearish ซึ่งทำหน้าที่ดีเบตข้อมูลที่ได้จากนักวิเคราะห์หลายรอบ ภายใต้การดูแลของผู้ดำเนินรายการที่คอยสรุปมุมมองที่สมดุล
Risk Management Team: ทีมที่ประกอบด้วยนักวิเคราะห์ความเสี่ยงสายรุก สายระมัดระวัง และสายเป็นกลาง ซึ่งคอยดีเบตเกี่ยวกับการเปิดรับความเสี่ยงของพอร์ต ความผันผวน และเกณฑ์ Stop-loss ก่อนที่ Fund Manager จะอนุมัติการส่งคำสั่งซื้อขายขั้นสุดท้าย
Cumulative Return (CR): เปอร์เซ็นต์กำไรหรือขาดทุนของมูลค่าพอร์ตการลงทุนทั้งหมดตั้งแต่เริ่มต้นจนสิ้นสุดระยะเวลาการจำลอง
Maximum Drawdown (MDD): เปอร์เซ็นต์การลดลงสูงสุดจากจุดสูงสุดไปยังจุดต่ำสุดที่พบในมูลค่าพอร์ตการลงทุนตลอดช่วงเวลาที่กำหนด

คำถามที่พบบ่อย

LLM ตัวใดที่ใช้เป็นโมเดลหลักสำหรับ TradingAgents?

เฟรมเวิร์กนี้ใช้วิธีการแบ่งระดับโมเดล: โมเดลที่คิดเร็ว เช่น gpt-4o และ gpt-4o-mini จัดการการดึงข้อมูลและการจัดรูปแบบ ในขณะที่โมเดลการใช้เหตุผล เช่น o1-preview จะขับเคลื่อนรายงานของนักวิเคราะห์ การดีเบตของนักวิจัย สัญญาณเทรดเดอร์ และการพิจารณาของทีมบริหารความเสี่ยง

TradingAgents แก้ไขปัญหาการสูญหายของการสื่อสารที่พบในระบบหลายเอเจนต์แบบแช็ตได้อย่างไร?

ระบบได้แทนที่ประวัติข้อความแบบเปิดปลายด้วยโพรโทคอลการสื่อสารแบบมีโครงสร้าง โดยเอเจนต์จะเผยแพร่และอ่านรายงานที่กระชับและมีโครงสร้างซึ่งเก็บไว้ใน Global state และจำกัดการสนทนาภาษาธรรมชาติไว้เฉพาะการดีเบตแบบหลายรอบที่มีขอบเขตชัดเจนเท่านั้น

เหตุใด Sharpe ratio จึงสูงมากในระหว่างการทดสอบย้อนหลัง?

ผู้เขียนระบุว่า Sharpe ratio อยู่ระหว่าง 5.60 ถึง 8.21 ในช่วงการประเมิน 3 เดือน (มกราคมถึงมีนาคม 2024) เนื่องจาก TradingAgents แทบไม่พบการปรับฐานลดลงเลยในช่วงเวลาทดสอบย้อนหลังดังกล่าว

เฟรมเวิร์กนี้ดึงข้อมูลจากแหล่งใดบ้าง?

ระบบดึงข้อมูลราคา OHLCV รายวัน, ตัวชี้วัดทางเทคนิค 60 รายการ, รายงานทางการเงินของ SEC, ธุรกรรมของคนวงใน (Insider transactions), บทความข่าวผ่าน EODHD/Finnhub/Bloomberg และโพสต์บนโซเชียลมีเดียจาก Reddit และ X/Twitter

คำอธิบายในหน้านี้เขียนโดย AI จากงานวิจัยและอาจมีข้อผิดพลาด โปรดอ่านต้นฉบับเพื่อดูรายละเอียด

อ่านพร้อมคำแปลและ AI