TradingAgents: Çok Ajanlı LLM Finansal Alım-Satım Çerçevesi

Okuma rehberi

Problem ve motivasyon

Geleneksel kantitatif alım-satım algoritmaları; haber başlıkları, kurumsal kazanç raporları ve sosyal medya duyarlılığı gibi yapılandırılmamış metin verilerini sentezlemekte sıklıkla zorlanır. Bu sırada, derin öğrenme tabanlı alım-satım modelleri birer kara kutu gibi çalışarak düşük yorumlanabilirlikten muzdariptir. Büyük Dil Modelleri (LLM'ler) doğal dil anlama ve açıklanabilirlik sunsa da, önceki LLM tabanlı finansal sistemler genellikle tek ajanlı veya yapılandırılmamış çok ajanlı düzenler kullanmaktadır. Bu kurulumların iki büyük kusuru vardır: gerçek alım-satım firmalarının organizasyonel modellemesinden yoksundurlar ve uzun vadede kritik bağlamın kaybolduğu veya bozulduğu bir 'kulaktan kulağa oyunu etkisi' ile zayıflayan açık uçlu doğal dil sohbet günlüklerine dayanırlar.

Temel fikirler

• Organizasyonel Hiyerarşi: TradingAgents, uzmanlaşmış bölümlere ayrılmış bir Wall Street yatırım firmasını yansıtır: Analist Ekibi, Araştırmacı Ekibi, Tüccar Ajanları, Risk Yönetim Ekibi ve nihai bir Fon Yöneticisi.
• Diyalektik Çok Ajanlı Münazaralar: Çerçeve, tek taraflı kararlar yerine Boğa ve Ayı araştırmacıları arasında yapılandırılmış çok turlu münazaraların yanı sıra agresif, güvenli ve nötr risk yöneticileri arasında çok açılı tartışmalar yürütür.
• Hibrit İletişim Protokolü: Sistem, ajan durumlarını standartlaştırılmış, yapılandırılmış raporlar ve veri girdileri olarak kaydederek sürekli ve yapılandırılmamış metin havuzlarından kaçınır; doğal dil diyaloglarını yalnızca çok turlu münazaralara ayırır.
• Model Kademelendirmesi: Hızlı ve daha düşük maliyetli modeller (gpt-4o, gpt-4o-mini) veri alma ve biçimlendirme işlemlerini yürütürken, derin düşünme özellikli akıl yürütme modelleri (o1-preview) derinlemesine analiz, münazara ve işlem boyutu belirleme süreçlerine güç verir.

Yöntem (temel denklemlerle birlikte)

Tüm ajanlar, özel harici araçlara (örn. Yahoo Finance, EODHD, Finnhub, Reddit) erişimle ReAct (Reasoning and Acting) paradigmasını kullanarak çalışır. Ajan eylemleri ardışık beş aşamada ilerler:

1. Analist Ekibi: Dört eşzamanlı ajan; Şirket Temelleri, Sosyal Duyarlılık, Haber/Makroekonomi ve Teknik Göstergeler (RSI, MACD, Bollinger Bantları, ATR, ADX gibi 60'a kadar göstergeyi değerlendirerek) genelinde yapılandırılmış raporlar üretir.
2. Araştırmacı Ekibi: Boğa ve Ayı araştırmacı ajanları, analist raporlarını sorgular ve baskın duruşu seçen bir Kolaylaştırıcı (Facilitator) Ajan gözetiminde $n$ tur boyunca münazara eder.
3. Tüccar Yürütmesi: Tüccar ajan, araştırmacı içgörülerini ve piyasa verilerini sentezleyerek hedef al/sat/tut kararlarını ve bunların gerekçelerini oluşturur.
4. Risk Yönetimi Değerlendirmesi: Risk arayan ('Risky'), muhafazakâr ('Safe') ve nötr analistler; portföy maruziyeti, kaldıraç ve zararı durdur (stop-loss) ihtiyaçlarını $n$ tur boyunca tartışır.
5. Fon Yöneticisi Onayı: Nihai yönetici, risk ekibinin sentezlenmiş rehberliğine dayanarak işlem yürütümünü onaylar, değiştirir veya reddeder.

Portföy performansı dört temel finansal metrik aracılığıyla ölçülür:

• Kümülatif Getiri (Cumulative Return - CR): $$\text{CR}=\left(\frac{V_{\text{end}}-V_{\text{start}}}{V_{\text{start}}}\right)\times 100\%$$
• Yıllıklandırılmış Getiri (Annualized Return - AR): $$\text{AR}=\left({\left(\frac{V_{\text{end}}}{V_{\text{start}}}\right)}^{\frac{1}{N}}-1\right)\times 100\%$$ burada $N$, yıl cinsinden değerlendirme dönemidir.
• Sharpe Oranı (Sharpe Ratio - SR): $$\text{SR}=\frac{\bar{R}-R_f}{\sigma }$$ burada $\bar{R}$ ortalama portföy getirisini, $R_f$ risksiz faiz oranını ve $\sigma$ getiri oynaklığını temsil eder.
• Maksimum Düşüş (Maximum Drawdown - MDD): $$\text{MDD}=\underset{t\in [0,T]}{\max }\left(\frac{{\text{Peak}}_t-{\text{Trough}}_t}{{\text{Peak}}_t}\right)\times 100\%$$

Sonuçlar (en önemli sayılarla birlikte)

Geriye dönük test (backtesting) simülasyonu, 1 Ocak - 29 Mart 2024 tarihleri arasında geleceğe bakma sapması (look-ahead bias) olmaksızın büyük teknoloji hisselerinde ($AAPL, $GOOGL, $AMZN); Buy & Hold ve teknik stratejilere (MACD, KDJ+RSI, ZMR, SMA) karşı yürütülmüştür:

• AAPL: TradingAgents %26,62 kümülatif getiri (CR) (yıllıklandırılmış getiri ARR %30,50, Sharpe Oranı 8,21 ve MDD %0,91) elde ederken, Buy & Hold -%5,23 (MDD %11,90) getirmiş ve en iyi referans model (KDJ&RSI) yalnızca %2,05 kazandırmıştır.
• GOOGL: TradingAgents, Buy & Hold'u geride bırakarak (%7,78 CR, %13,04 MDD) %24,36 CR ve 6,39 SR (MDD %1,69) değerine ulaşmıştır.
• AMZN: TradingAgents, Buy & Hold'u aşarak (%17,10 CR, %3,80 MDD) %23,21 CR ve 5,60 SR (MDD %2,11) elde etmiştir.
• Dengeli Risk Kontrolü: Yüksek getiri üretimine rağmen, Risk Yönetim Ekibinin aktif müdahalesi sayesinde maksimum düşüşler tüm hisse senetlerinde kesin bir şekilde %2,11'in altında tutulmuştur.

Kısıtlamalar ve açık sorular

• Yüksek Hesaplama/API Maliyeti: Tek günlük tahminler yaklaşık 11 LLM çağrısı ve 20'den fazla araç çağrısı gerektirmektedir; bu da geriye dönük test simülasyon penceresini 3 ay ile sınırlandırmıştır.
• Aşırı Sharpe Oranları: İstisnai derecede yüksek Sharpe oranları (>5,60 ila 8,21), sistem için neredeyse hiçbir sert geri çekilmenin yaşanmadığı bir test dönemini yansıtmakta olup, tam piyasa döngüleri ve ayı piyasası rejimleri boyunca çok yıllı testlerin gerekliliğini vurgulamaktadır.
• Emir İletim Sürtünmesi: Çerçeve; canlı emir defterlerindeki kayma (slippage), piyasa etkisi, borsa gecikmesi veya işlem komisyonu baskısını modellemeden sinyallerin eksiksiz doldurulduğunu varsaymaktadır.