论文阅读_TradingAgents多智能体金融交易框架

英文名称：TradingAgents: Multi-Agents LLM Financial Trading Framework

中文名称：交易代理：多智能体大语言模型金融交易框架

链接: http://arxiv.org/pdf/2412.20138v7

代码: https://github.com/TauricResearch/TradingAgents

作者: Yijia Xiao, Edward Sun, Di Luo, Wei Wang

机构: 加利福尼亚大学洛杉矶分校，麻省理工学院，Tauric Research

日期：2024-12-28

摘要

• 目标：提出一种受交易公司启发的股票交易框架，以提升交易表现。

• 方法：使用大型语言模型（LLM）构建多角色的代理系统，包括基础分析师、情感分析师、技术分析师和交易员，通过模拟动态协作的交易环境。

• 结论：通过详细的架构和广泛的实验，TradingAgents 在累计收益、夏普比率和最大回撤方面显著优于基准模型。

读后感

这篇论文在同类中算是设计较复杂的，附录有 Prompt 列表，GitHub 提供了代码。亮点在于整体架构设计，体现出作者对问题的理解和推演过程：

• 关键角色是什么

• 数据源有哪些 

• 怎么具体实现

我个人比较喜欢：

• 拆解问题的方法：一旦拆解，就容易得到答案

• “分析团队”那部分（图一左侧），展示了股票投资相关的因素

• Agent 之间用结构化文本通讯，取代随意的自然语言

仔细一想，以大模型当前的知识结构、逻辑能力，加上 Agent 和 MCP 的信息整合渠道，不被情绪影响，不必做到完美，实现个七七八八就已经比普通人强太多了——那人到底强在哪儿？我一时真没想出来。

从实用角度看，如果只盯几只股票，用的资源也不会太多；毕竟趋势和基本面短期内变化不大。这是个可落地的方案。

（以下内容中，斜体部分为我的观点和思考，请谨慎阅读）

1 现状

传统算法交易系统主要依赖定量模型，但往往难以捕捉多种因素之间复杂的相互作用。基于深度学习的交易系统通常可解释性较差，因为它们依赖隐藏特征，难以让人理解其决策依据。LLM（大型语言模型）具备处理自然语言数据的能力，非常适合分析新闻、财报和社交媒体舆情等文本驱动任务，而当前 LLM 也有局限性：

• 组织建模不够现实：模型狭隘聚焦任务绩效，与真实交易机构的工作流程和人工作法割裂，难以模拟真实协作。（文中改进：引入层级化角色分工（如分析团队、研究团队、交易团队、风险管理团队等）来模拟真实交易组织的协作结构，有助于提升系统的可操作性与业务契合度）

• 通信接口效率低下：依赖自然语言通信容易产生“电话效应”，对话中细节丢失、状态损坏，破坏信息完整性。（文中改进：在自然语言基础之上，加入结构化输出（如报告模板、摘要结构等）以保障信息传递的准确性和上下文稳固性）

2 TradingAgents：角色专业化

图 1：TradingAgents 系统架构。从左到右依次是，分析师团队：并行收集市场信息；研究团队：对信息进行评估和辩论；交易代理：基于研究结论做出交易决策；风险管理团队：评估市场风险并提出风险控制建议；基金经理：批准并执行最终交易操作（这里的基金经理是由人最后把关）。

2.1 分析师团队

负责收集和处理多源市场数据，为后续决策提供信息基础。该团队分为四类专业代理：

• 基本面分析代理：分析财报、收益报告、内幕交易等信息，评估公司内在价值，识别被高估或低估的股票，提供长期投资建议。

• 情绪分析代理：处理社交媒体数据、情绪打分与用户行为，识别市场情绪变化，预测短期投资者行为对股价的潜在影响。

• 新闻分析代理：分析新闻报道、政策公告和宏观经济数据，提取影响市场走势的重要事件，用于预测市场动态的突发变动。

• 技术分析代理：针对具体标的，计算并应用技术指标（如 MACD、RSI 等），识别价格走势和交易量模式，为择时提供支持。

2.2 研究员团队

该团队负责对分析师提供的信息进行批判性评估。由持有不同市场观点（看多 / 看空）的代理组成，通过多轮辩论权衡风险与回报，深入挖掘交易建议背后的逻辑合理性。

（根据先前的采集和计算结果进一步讨论，利用了大模型的金融能力）

2.3 交易代理

交易代理根据分析师和研究团队提供的综合信息做出实际交易决策：

• 评估各类见解，整合定量与定性信息；

• 决定交易时机与规模，力求收益最大化；

• 发出买入/卖出指令；

• 动态调整投资组合应对市场变化。

这一角色需要在高压、快速变化的市场中权衡风险与回报，其操作直接影响整体收益，对精度和策略性要求极高。

（这里提供了一种基于大模型的实现方法，也可以通过强化学习等技术优化复杂决策）

2.4 风险管理团队

监控和控制公司面临的各种市场风险。

• 分析波动性、流动性与交易对手风险；

• 提出风险控制措施（如止损、资产分散等）；

• 为交易代理提供实时反馈，优化交易策略；

• 保证投资行为在公司风险容忍范围内运行。

所有代理均采用 ReAct 提示框架，结合推理与行动，使各角色能在任务中高效协同，具备结构化决策流程。

（可以看到，这里只提供了一个架构，每一个模块都可繁可简，都有进一步的优化空间）

3 TradingAgents：代理工作流程

3.1 通信协议

自然语言虽灵活，但面对复杂、长期任务时容易模糊不清。灵感来自 MetaGPT 等框架，其通过结构化通信大幅降低错误。TradingAgents 使用结构化通信协议，明确每个代理的输入输出：代理仅查询和处理所需信息，并以格式化报告返回，确保交互清晰、责任明确。

这种做法类似 MetaGPT 推崇的一致化工作流程，通过将标准操作程序（SOPs）编码到 prompt 中，促进模块化输出及角色分工有效避免错误传播。

3.2 代理间交互类型

TradingAgents 通过定义精确文档类型，替代自由文本沟通，确保信息规范、有序传递：

• 分析师团队：生成领域内（基本面、情绪、新闻、技术等）结构化分析报告，覆盖关键指标、见解与建议。

• 交易者代理：评估分析报告，生成明确的决策信号及支持证据，并形成结构化报告供风险管理使用。

• 研究员团队：看多和看空立场的代理基于分析报告展开多轮辩论，由主持人总结形成主流观点，并以结构化形式输出。

• 风险管理团队：参考交易者的决策与报告，在风险限制下调整方案，并通过主持人机制输出优化后建议。

• 基金经理：审核风险团队建议，最终确定和更新决策，并在协议中更新交易者的状态。

3.3 骨干 LLM

根据任务特点选用不同模型：

• 敏捷型 LLM（如 gpt‑4o‑mini、gpt‑4o）适用于摘要、检索、表格转文本等快速低深度任务。

• 深思型 LLM（如 o1‑preview）适用于决策制定、循证报告和数据深入推理等需求。

• 专用专家模型 用于情绪分析等专业任务。

架构高度模块化，可灵活替换不同骨干模型，以实现未来扩展与性能优化。

4 实验

TradingAgents 在三个抽样股票上的累计回报率达到了至少 23.21%，年回报率达到 24.90%，以 6.1% 的优势超越最佳基线表现。

图 6：TradingAgents 针对苹果公司（$AAPL）的详细交易记录。绿箭头/红箭头分别表示多头/空头仓位 (买入/卖出)，展示了模型随时间变化的交易决策。

表 1：使用四种评估指标对所有方法进行性能比较。

• CR% 累计收益 总共赚了多少

• ARR% 年化收益 每年大概赚多少

• SR 夏普比率 每单位风险带来多少回报

• MDD% 最大回撤 最惨时亏了多少

基于 LLM 的代理框架带来了变革性优势：通过自然语言进行决策传达，显著提升了可解释性。