XYZNOT

論文 · arXiv 2412.20138

TradingAgents：多智慧體 LLM 金融交易框架

TradingAgents: Multi-Agents LLM Financial Trading Framework

Yijia Xiao, Edward Sun, Di Luo, Wei Wang

發表於 q-fin.TRcs.AIcs.CEcs.LG arXivPDF

用 XYZNOT 閱讀（全文翻譯與 AI 講解）

三句話總結

  1. 🎯 現有的 LLM 交易工具缺乏真實的組織架構，且在長篇非結構化對話中容易出現「傳話遊戲效應」導致資訊失真。
  2. 🔧 透過結構化報告與針對性辯論，模擬真實交易機構中跨分析師、研究員、交易員、風險管理和基金經理層級的 7 個專業智慧體角色。
  3. 📈 在所有測試資產中表現均優於買入持有（Buy & Hold）和基於規則的基準策略，2024 年第一季在 AAPL 上實現 26.62% 的累積報酬率，在評估的科技股中至少達到 23.21%。

摘要

利用由大型語言模型（LLM）驅動的智慧體社群進行自動化問題求解已取得顯著進展。在金融領域，現有研究主要集中於處理特定任務的單智慧體系統，或獨立收集資料的多智慧體框架。然而，多智慧體系統在複製真實交易機構協同動態方面的潛力仍未被充分探索。TradingAgents 提出了一種受真實交易機構啟發的新型股票交易框架，由擔任專業角色的 LLM 智慧體組成，包括基本面分析師、情緒分析師、技術分析師，以及具有不同風險屬性的交易員。該框架包含評估市場狀況的多方與空方研究員智慧體、監控曝險的風險管理團隊，以及綜合辯論見解與歷史數據以做出明智決策的交易員。透過模擬動態且協同的交易環境，該框架旨在提升交易表現。詳細的架構與廣泛的實驗顯示其優於基準模型，在累積報酬率、夏普比率和最大回撤方面均有顯著改善，突顯了多智慧體 LLM 框架在金融交易中的潛力。TradingAgents 開源於 https://github.com/TauricResearch/TradingAgents。

英文原文摘要

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.

論文解讀

問題與研究動機

傳統的量化交易演算法通常難以整合非結構化文字資料，例如新聞頭條、企業財報與社群媒體情緒。與此同時，深度學習交易模型宛如黑盒子，面臨可解釋性差的問題。儘管大型語言模型（LLM）具備自然語言理解與可解釋性，但以往基於 LLM 的金融系統通常採用單智慧體或非結構化的多智慧體架構。這些設定存在兩個主要缺陷：缺乏對真實交易機構的組織建模，且依賴開放式自然語言聊天記錄，容易產生「傳話遊戲效應」（telephone effect），在長週期下關鍵脈絡會遺失或失真。

核心概念

  • 組織層級架構：TradingAgents 模擬了華爾街投資機構，細分為專門部門：分析師團隊、研究員團隊、交易員智慧體、風險管理團隊，以及最終決策的基金經理。
  • 思辯式多智慧體辯論：框架放棄了單方面決策，改由多頭與空頭研究員進行結構化的多輪辯論，並讓進取型、穩健型與中立型的風險經理展開多視角討論。
  • 混合通訊協定：系統將智慧體狀態記錄為標準化的結構化報告與資料項目，避免持續累積非結構化文字池，僅將自然語言對話保留給多輪辯論使用。
  • 模型分層：速度快、成本低的模型（gpt-4o、gpt-4o-mini）負責資料檢索與格式化，而具備深度思考能力的推理模型（o1-preview）則負責深度分析、辯論與部位規模調整。

方法（含核心公式）

所有智慧體均基於 ReAct (Reasoning and Acting) 範式運作，並可存取專業的外部工具（例如 Yahoo Finance、EODHD、Finnhub、Reddit）。智慧體的操作流程分為五個連續階段：

  1. 分析師團隊：四個並行運作的智慧體分別針對公司基本面、社群情緒、新聞/總體經濟以及技術指標（評估多達 60 個指標，如 RSI、MACD、布林通道、ATR、ADX）產出結構化報告。
  2. 研究員團隊：多頭與空頭研究員智慧體查詢分析師報告，並在主持人智慧體（Facilitator Agent）的監督下進行 輪辯論，由主持人選出佔優勢的立場。
  3. 交易員執行：交易員智慧體整合研究員的見解與市場數據，生成目標買入/賣出/持有決策及其依據。
  4. 風險管理審議：追求風險（Risky）、保守（Safe）與中立分析師就投資組合曝險、槓桿以及停損需求進行 輪辯論。
  5. 基金經理核准：最終的經理人根據風控團隊整合的指導意見，核准、修改或拒絕交易執行。

投資組合表現透過四項關鍵金融指標進行衡量：

  • 累積報酬率 (Cumulative Return, CR)：
  • 年化報酬率 (Annualized Return, AR)： 其中 為評估期間（以年為單位）。
  • 夏普比率 (Sharpe Ratio, SR)： 其中 為投資組合平均報酬率， 為無風險利率， 為報酬波動率。
  • 最大回撤 (Maximum Drawdown, MDD)：

結果（含重要數據）

回測模擬期間為 2024 年 1 月 1 日至 3 月 29 日，在無未來資訊偏差（look-ahead bias）的情況下，針對大型科技股（GOOGL、$AMZN）進行測試，對比買入持有策略（Buy & Hold）與技術指標策略（MACD、KDJ+RSI、ZMR、SMA）：

  • AAPL：TradingAgents 實現了 26.62% 的累積報酬率（CR）（ARR 為 30.50%，夏普比率為 8.21，MDD 為 0.91%），而買入持有策略為 -5.23%（MDD 為 11.90%），表現最佳的基準策略（KDJ&RSI）僅獲利 2.05%。
  • GOOGL：TradingAgents 達到 24.36% 的 CR 和 6.39 的 SR（MDD 為 1.69%），顯著優於買入持有策略（CR 為 7.78%，MDD 為 13.04%）。
  • AMZN：TradingAgents 實現了 23.21% 的 CR 和 5.60 的 SR（MDD 為 2.11%），超越買入持有策略（CR 為 17.10%，MDD 為 3.80%）。
  • 平衡的風險控制：儘管帶來高報酬，但得益於風險管理團隊的主動介入，所有股票的最大回撤均嚴格控制在 2.11% 以下。

局限性與待解決問題

  • 高運算/API 成本：單日預測大約需要 11 次 LLM 呼叫和 20 多次工具呼叫，限制了回測模擬的時間跨度（僅為 3 個月）。
  • 極端偏高的夏普比率：異常高水平的夏普比率（>5.60 至 8.21）反映了該測試期間系統幾乎未遭遇大幅回檔，這突顯出在完整市場週期和熊市機制下進行多年測試的必要性。
  • 執行摩擦：該框架假設信號能夠完全成交，未在實盤委託簿中針對滑價、市場衝擊、交易所延遲或交易手續費摩擦進行建模。

關鍵術語

TradingAgents
一個由 LLM 驅動的多智慧體金融交易框架，模擬了專業交易機構的層級角色、分析工作流程與風險控制機制。
ReAct prompting framework (ReAct 提示框架)
一種結合推理（Reasoning）與行動（Acting/工具呼叫）的方法，使 LLM 智慧體能夠迭代檢查環境資料、查詢 API 並執行決策。
Telephone effect (傳話遊戲效應)
當多個智慧體僅透過長篇非結構化自然語言對話記錄進行溝通時，所產生的效能退化、上下文長度飽和以及事實失真現象。
Analyst Team (分析師團隊)
由四個專業智慧體（基本面、情緒、新聞和技術分析師）組成的團隊，負責獨立收集多模態市場信號並輸出結構化報告。
Researcher Team (研究員團隊)
一對持相反立場的多頭與空頭智慧體，在主持人的監督下就分析師的研究結果展開多輪辯論，主持人最終輸出平衡的綜合結論。
Risk Management Team (風險管理團隊)
由進取型、保守型與中立型風險分析師組成的團隊，在基金經理最終確定訂單執行前，就投資組合曝險、波動度與停損條件進行辯論。
Cumulative Return (CR) (累積報酬率)
從模擬期開始到結束，投資組合總資產價值的百分比增益或損失。
Maximum Drawdown (MDD) (最大回撤)
在特定時間範圍內觀察到的投資組合資產價值從峰值到谷底的最大跌幅百分比。

常見問題

TradingAgents 使用哪些 LLM 作為骨幹模型？

該框架採用分層策略：運算快速的模型（如 gpt-4o 和 gpt-4o-mini）負責資料檢索與格式化，而具備深度推理能力的手型（如 o1-preview）則負責生成分析師報告、研究員辯論、交易員信號以及風控團隊的審議。

TradingAgents 如何解決基於對話的多智慧體系統中常見的資訊遺失問題？

它以結構化通訊協定取代了開放式歷史訊息鏈。智慧體發布並讀取儲存在全域狀態中的簡明結構化報告，將自然語言對話嚴格限制於針對性且有輪數上限的多輪辯論中。

為什麼回測期間的夏普比率如此之高？

作者指出在為期 3 個月的評估窗口（2024 年 1 月至 3 月）內，夏普比率落在 5.60 至 8.21 之間，這是因為 TradingAgents 在該特定回測期間幾乎沒有經歷任何大幅拉回。

該框架攝取了哪些資料來源？

系統攝取每日 OHLCV 價格、60 個技術指標、SEC 財務申報報告、內部人交易記錄、來自 EODHD/Finnhub/Bloomberg 的新聞文章，以及來自 Reddit 和 X/Twitter 的社群媒體貼文。

本頁解讀由 AI 根據論文生成，可能有錯誤；細節請以原文為準。

用 XYZNOT 閱讀（全文翻譯與 AI 講解）