TradingAgents: Khung giao dịch tài chính đa tác tử sử dụng LLM

Hướng dẫn đọc

Vấn đề và động lực nghiên cứu

Các thuật toán giao dịch định lượng truyền thống thường gặp khó khăn trong việc tổng hợp dữ liệu văn bản phi cấu trúc như tiêu đề tin tức, báo cáo tài chính doanh nghiệp và tâm lý mạng xã hội. Trong khi đó, các mô hình giao dịch học sâu lại hoạt động như những hộp đen, có khả năng diễn giải thấp. Dù các Mô hình Ngôn ngữ Lớn (LLM) mang lại khả năng hiểu ngôn ngữ tự nhiên và tính giải thích tốt, các hệ thống tài chính dựa trên LLM trước đây thường triển khai đơn tác tử hoặc các thiết lập đa tác tử phi cấu trúc. Những thiết lập này bộc lộ hai nhược điểm lớn: thiếu mô hình hóa cấu trúc tổ chức của các công ty giao dịch thực tế và phụ thuộc vào nhật ký trò chuyện bằng ngôn ngữ tự nhiên mở, vốn bị suy giảm chất lượng qua 'hiệu ứng tam sao thất bản' (telephone effect) khi ngữ cảnh quan trọng bị mất hoặc bị sai lệch trong các chu kỳ dài.

Ý tưởng cốt lõi

• Phân cấp tổ chức: TradingAgents phản ánh một công ty đầu tư tại Phố Wall được chia thành các bộ phận chuyên môn hóa: Nhóm Phân tích (Analyst Team), Nhóm Nghiên cứu (Researcher Team), Tác tử Giao dịch (Trader Agents), Nhóm Quản trị Rủi ro (Risk Management Team) và Giám đốc Quỹ (Fund Manager) tối cao.
• Tranh luận đa tác tử mang tính biện chứng: Thay vì đưa ra các quyết định đơn phương, khung này vận hành các cuộc tranh luận nhiều vòng có cấu trúc giữa các nhà nghiên cứu phe Tăng (Bullish) và phe Giảm (Bearish), cũng như các cuộc thảo luận đa chiều giữa các nhà quản lý rủi ro thiên hướng tích cực, an toàn và trung lập.
• Giao thức truyền thông lai: Hệ thống tránh các luồng văn bản phi cấu trúc liên tục bằng cách lưu trạng thái của tác tử dưới dạng các báo cáo và mục dữ liệu được tiêu chuẩn hóa, có cấu trúc, chỉ dành riêng đối thoại bằng ngôn ngữ tự nhiên cho các phiên tranh luận nhiều lượt.
• Phân tầng mô hình: Các mô hình nhanh, chi phí thấp hơn (gpt-4o, gpt-4o-mini) đảm nhận việc truy xuất và định dạng dữ liệu, trong khi các mô hình suy luận chuyên sâu (o1-preview) vận hành quá trình phân tích sâu, tranh luận và định cỡ vị thế giao dịch.

Phương pháp (kèm các phương trình then chốt)

Tất cả các tác tử hoạt động theo mô hình ReAct (Lý luận và Hành động - Reasoning and Acting) với quyền truy cập vào các công cụ chuyên dụng bên ngoài (ví dụ: Yahoo Finance, EODHD, Finnhub, Reddit). Hành động của các tác tử diễn ra qua năm giai đoạn tuần tự:

1. Nhóm Phân tích: Bốn tác tử đồng thời tạo các báo cáo có cấu trúc về Các yếu tố cơ bản của công ty, Tâm lý xã hội, Tin tức/Kinh tế vĩ mô và Chỉ báo kỹ thuật (đánh giá tới 60 chỉ báo như RSI, MACD, Bollinger Bands, ATR, ADX).
2. Nhóm Nghiên cứu: Các tác tử nghiên cứu phe Tăng và phe Giảm truy vấn các báo cáo phân tích và tranh luận trong $n$ vòng dưới sự điều phối của Tác tử Điều phối (Facilitator Agent), người sẽ lựa chọn lập trường chiếm ưu thế.
3. Thực thi Giao dịch: Tác tử Giao dịch tổng hợp các phân tích chuyên sâu của nhà nghiên cứu và dữ liệu thị trường để đưa ra quyết định mua/bán/nắm giữ mục tiêu cùng với lý do giải thích.
4. Thảo luận Quản trị Rủi ro: Các nhà phân tích ưa rủi ro ('Risky'), thận trọng ('Safe') và trung lập tranh luận về mức độ rủi ro danh mục, đòn bẩy và các yêu cầu cắt lỗ trong $n$ vòng.
5. Phê duyệt của Giám đốc Quỹ: Người quản lý cuối cùng phê duyệt, điều chỉnh hoặc từ chối thực thi giao dịch dựa trên hướng dẫn tổng hợp từ nhóm rủi ro.

Hiệu suất danh mục được đo lường thông qua bốn chỉ số tài chính chính:

• Lợi nhuận tích lũy (Cumulative Return - CR): $$\text{CR}=\left(\frac{V_{\text{end}}-V_{\text{start}}}{V_{\text{start}}}\right)\times 100\%$$
• Lợi nhuận hàng năm hóa (Annualized Return - AR): $$\text{AR}=\left({\left(\frac{V_{\text{end}}}{V_{\text{start}}}\right)}^{\frac{1}{N}}-1\right)\times 100\%$$ trong đó $N$ là khoảng thời gian đánh giá tính theo năm.
• Hệ số Sharpe (Sharpe Ratio - SR): $$\text{SR}=\frac{\bar{R}-R_f}{\sigma }$$ trong đó $\bar{R}$ là lợi nhuận trung bình của danh mục đầu tư, $R_f$ là lãi suất phi rủi ro và $\sigma$ là độ biến động của lợi nhuận.
• Mức sụt giảm tối đa (Maximum Drawdown - MDD): $$\text{MDD}=\underset{t\in [0,T]}{\max }\left(\frac{{\text{Peak}}_t-{\text{Trough}}_t}{{\text{Peak}}_t}\right)\times 100\%$$

Kết quả (kèm các số liệu quan trọng nhất)

Mô phỏng kiểm thử ngược (backtesting) được thực hiện từ ngày 1 tháng 1 đến ngày 29 tháng 3 năm 2024, không có thiên kiến nhìn trước (look-ahead bias) trên các cổ phiếu công nghệ lớn ($AAPL, $GOOGL, $AMZN) so với chiến lược Mua & Nắm giữ (Buy & Hold) và các chiến lược kỹ thuật (MACD, KDJ+RSI, ZMR, SMA):

• AAPL: TradingAgents đạt lợi nhuận tích lũy (CR) là 26,62% (ARR là 30,50%, Hệ số Sharpe đạt 8,21 và MDD là 0,91%), trong khi Buy & Hold đạt -5,23% (MDD 11,90%) và mô hình cơ sở tốt nhất (KDJ&RSI) chỉ tăng 2,05%.
• GOOGL: TradingAgents đạt CR là 24,36% và SR là 6,39 (MDD 1,69%), vượt trội so với Buy & Hold (7,78% CR, 13,04% MDD).
• AMZN: TradingAgents đạt 23,21% CR và 5,60 SR (MDD 2,11%), vượt qua Buy & Hold (17,10% CR, 3,80% MDD).
• Kiểm soát rủi ro cân bằng: Dù mang lại lợi nhuận cao, mức sụt giảm tối đa vẫn được kiểm soát nghiêm ngặt dưới 2,11% trên tất cả các cổ phiếu nhờ sự can thiệp tích cực của Nhóm Quản trị Rủi ro.

Hạn chế và các câu hỏi mở

• Chi phí tính toán/API cao: Các dự đoán trong một ngày đòi hỏi khoảng 11 lượt gọi LLM và hơn 20 lượt gọi công cụ, điều này làm giới hạn thời gian chạy mô phỏng kiểm thử ngược chỉ trong 3 tháng.
• Hệ số Sharpe cực cao: Các hệ số Sharpe cao bất thường (>5,60 đến 8,21) phản ánh một giai đoạn thử nghiệm hầu như không có các đợt sụt giá mạnh đối với hệ thống, cho thấy sự cần thiết phải kiểm thử nhiều năm trên toàn bộ các chu kỳ thị trường và các giai đoạn thị trường giá xuống (bear market).
• Ma sát trong khớp lệnh: Khung làm việc giả định tín hiệu được khớp trơn tru mà chưa mô hình hóa độ trượt giá (slippage), tác động thị trường (market impact), độ trễ sàn giao dịch hoặc chi phí hoa hồng giao dịch trong sổ lệnh thực tế.