TradingAgents: 多智能体 LLM 金融交易框架

摘要

我们提出了 TradingAgents，一个受交易公司启发的新型股票交易框架，利用多个 LLM 驱动的智能体扮演专业角色，包括基本面分析师、情绪分析师和技术分析师，以及具有不同风险偏好的交易员。系统设有看多和看空研究员评估市场状况，风险管理团队监控风险敞口，交易员整合辩论结果和历史数据做出明智决策。这种协作、动态的环境增强了交易表现——我们全面的实验表明，与基线模型相比，该框架在累积收益、夏普比率和最大回撤方面均有显著改善。我们的结果突出了多智能体 LLM 框架在金融交易中的有效性。

TradingAgents：框架概览

TradingAgents 利用多智能体框架模拟专业交易公司的运作，包含不同角色：基本面分析师、情绪分析师、技术分析师、研究员、交易员和风险管理员。这些智能体通过结构化通信和辩论进行协作，增强决策质量并优化交易策略。

TradingAgents：角色专业化

将特定角色分配给 LLM 智能体，使复杂的交易目标能被分解为可管理的任务。受交易公司启发，TradingAgents 设有七个不同角色：基本面分析师、情绪分析师、新闻分析师、技术分析师、研究员、交易员和风险管理员。每个智能体都配备了针对其功能的专业工具和约束条件，确保全面的市场分析和明智的决策。

分析师团队

分析师团队在多个维度收集和分析市场数据：

• 基本面分析师：评估公司基本面，识别价值高估或低估的股票。
• 情绪分析师：分析社交媒体和公众情绪，判断市场情绪。
• 新闻分析师：评估新闻和宏观经济指标，预测市场走势。
• 技术分析师：使用技术指标预测价格趋势和交易机会。

综合各分析师的洞察为研究团队提供全面的市场视角，以便进一步评估。

研究员团队

研究团队通过辩证过程对分析师数据进行批判性评估，涉及多空双方观点。这种辩论确保分析的平衡性，同时识别机会和风险，为交易策略提供信息。

• 看多研究员：关注积极的市场指标和增长潜力。
• 看空研究员：关注风险和负面市场信号。

辩论过程确保对市场状况的平衡理解，帮助交易员智能体做出更明智的决策。

交易员智能体

交易员智能体基于全面分析执行决策。他们评估分析师和研究员的洞察以确定最优交易行动，在动态市场环境中平衡收益与风险。

• 评估分析师和研究员的建议。
• 确定交易时机和头寸规模。
• 执行买入/卖出指令。
• 根据市场变化调整投资组合。

精确性和战略思维对于最大化表现至关重要。

风险管理团队

风险管理团队监督公司的市场风险敞口，确保交易活动在预设限制范围内。

• 评估市场波动性和流动性。
• 实施风险缓释策略。
• 就风险敞口向交易员智能体提供建议。
• 使投资组合与风险承受能力保持一致。

他们通过有效的风险控制确保财务稳定性和资产安全。

所有智能体使用 ReAct 提示框架，促进协作和动态的决策过程，反映真实世界的交易系统。

TradingAgents：智能体工作流

通信协议

为了提高通信效率，TradingAgents 采用结构化协议，结合清晰的结构化输出与自然语言对话。这种方法最大限度减少信息丢失，在长时间交互中保持上下文，确保智能体之间的沟通聚焦且高效。

智能体交互类型

不同于依赖非结构化对话的前期框架，我们的智能体通过结构化报告和图表进行通信，保留关键信息并支持从全局状态直接查询。

• 分析师团队：将研究编译为简明的分析报告。
• 交易员：审查分析师报告，产出带有详细理由的决策信号。

自然语言对话保留用于特定交互，如研究团队和风险管理团队内部的辩论，以促进更深层的推理和平衡的决策。

• 研究员团队：参与辩论以形成平衡的观点。
• 风险管理团队：从多重风险角度审议交易计划。
• 基金经理：审核并批准风险调整后的交易决策。

骨干 LLM

我们根据任务需求选择 LLM，使用快速思考模型进行数据检索，使用深度思考模型进行深入分析和决策。这种战略性匹配确保了效率和稳健推理，使 TradingAgents 无需 GPU 即可运行，并便于未来集成替代模型。

实验

我们通过全面的实验设置评估了 TradingAgents 与各种基线模型的性能表现。

回测交易

模拟使用了多资产、多模态的金融数据集，包含 2024 年 1 月至 3 月的历史股价、新闻文章、社交媒体情绪、内部交易记录、财务报告和技术指标。

模拟设置

交易环境跨越 2024 年 6 月至 11 月。智能体按日运行，基于可用数据做出决策，不使用未来信息，确保结果无偏。

基线模型

我们将 TradingAgents 与以下策略进行了比较：

• 买入持有 (B&H)：在整个期间等额投资所选股票。
• MACD：基于 MACD 交叉的动量策略。
• KDJ & RSI：组合动量指标的交易信号。
• ZMR：基于价格偏差的均值回归策略。
• SMA：基于移动均线交叉的趋势跟踪策略。

评估指标

夏普比率

TradingAgents 实现了优越的风险调整收益，在 AAPL、GOOGL 和 AMZN 上持续超越所有基线。增强的夏普比率展示了该框架在平衡收益与风险方面的有效性，突出了其在多样市场条件下的稳健性。

最大回撤

虽然规则策略在控制风险方面表现出色，但 TradingAgents 在不牺牲高收益的情况下保持了较低的最大回撤。这种平衡体现了该框架在最大化利润的同时有效管理风险的能力。

可解释性

不同于传统的深度学习模型，TradingAgents 通过自然语言解释提供透明的决策过程。每个智能体的行动均附有详细的推理和工具使用说明，使系统运作易于理解和调试——这对于真实世界的金融应用至关重要。

结论

我们提出了 TradingAgents——一个多智能体 LLM 驱动的股票交易框架，模拟真实交易公司中专业智能体通过辩论和结构化通信进行协作。该框架利用多样的数据源和多智能体交互来增强交易决策，在累积收益、夏普比率和风险管理方面均优于传统策略。未来的工作包括实盘部署、扩展智能体角色以及集成实时数据处理以进一步提升表现。

BibTeX

@article{xiao2024tradingagents,
  title={TradingAgents: Multi-Agents LLM Financial Trading Framework},
  author={Xiao, Yijia and Sun, Edward and Luo, Di and Wang, Wei},
  journal={arXiv preprint arXiv:2412.20138},
  year={2024}
}