本报告提出TradingAgents,多智能体大型语言模型(LLM)驱动的金融交易框架,模拟真实交易机构中的专业分工与协作。通过基本面、情绪、新闻和技术分析师等角色,及多轮辩论衡量市场看多与看空观点,实现风险管理与交易决策。实验证明该框架在累计收益率、夏普比率与最大回撤方面显著优于传统规则与趋势策略,展现出高盈利能力与可解释性,推动多智能体LLM在金融交易中的应用潜力
TradingAgents框架设计基于真实交易团队组织结构,包括分析师团队(基本面、情绪、新闻、技术分析师)、研究团队(看多与看空研究员)、交易员及风险管理团队,有效分工协作提高交易决策质量
交易员利用分析师与研究员的报告,结合多轮代理辩论与结构化通信协议,实现信息整合和风险调控,确保交易决策既精准又透明
实验在2024年1月至3月真实历史数据上回测,涵盖苹果(AAPL)、谷歌(GOOGL)、亚马逊(AMZN)等多只股票,交易决策无未来数据泄露,保证回测可信度
TradingAgents相较于基线模型(买入持有、MACD、KDJ&RSI、ZMR、SMA)在累计收益(最高26.62%),年化收益(最高30.5%),夏普比率(最高8.21)均显著领先,最大回撤保持较低,兼顾收益和风险控制
| 模型 | AAPL累计收益率(%) | AAPL年化收益率(%) | AAPL夏普比率 | AAPL最大回撤(%) |
|---|---|---|---|---|
| Buy & Hold | -5.23 | -5.09 | -1.29 | 11.90 |
| MACD | -1.49 | -1.48 | -0.81 | 4.53 |
| KDJ&RSI | 2.05 | 2.07 | 1.64 | 1.09 |
| ZMR | 0.57 | 0.57 | 0.17 | 0.86 |
| SMA | -3.20 | -2.97 | -1.72 | 3.67 |
| TradingAgents | 26.62 | 30.50 | 8.21 | 0.91 |
在具体股票AAPL、AMZN和GOOGL的收益累计走势图与交易标记细节显示TradingAgents策略积极捕捉市场机会,并通过多角色辩论决策有效规避风险,交易信号连续且合理
TradingAgents采用分层角色分工,突出“多角度辩论”促进复杂信息融合,支持基于ReAct框架的结构化沟通协议,减少信息丢失和误解,提高决策效率和透明度
量化策略体现为多智能体协同的系统方法,不同代理聚焦基本面、情绪、新闻、技术等信息源,研究员分看多和看空阵营进行论证,风险管理团队从风险偏好角度辩论,并由基金经理最终批准执行交易,提升了策略的稳健性和抗风险能力
TradingAgents框架的强解释性体现在交易日志和自然语言推理输出,清晰呈现每个代理的思考过程和依据,有利于交易策略调整和风险排查,优于传统黑盒深度学习模型
实验结果表明该框架具备较强的市场适应性和策略泛化能力,未来计划部署至实盘环境,并增加实时数据处理及扩展代理角色以继续提升性能
核心论点:该报告提出了一个灵感来源于真实交易团队的多智能体LLM交易框架——TradingAgents。系统内不同角色的智能体承担基础分析师、情绪分析师、技术分析师、交易员及风险管理人员等职责,通过多轮自然语言辩论和结构化信息共享模拟真实交易团队决策流程。实验对比显示,该框架在累计收益、夏普比率(风险调整收益)和最大回撤等关键金融指标上均优于传统基线模型,体现了多智能体基于LLM协作模型在金融交易领域的巨大潜力。,1]
要点总结:传统自动交易系统多是孤立功能模块,难以模拟真实交易团队协作和复杂信息交互。单一LLM或多智能体系统大多独立处理数据任务,缺少组织结构和高效通信设计。
新的突破:TradingAgents通过定义多角色,结合牛熊双方观点研究员、专门的风险管理团队和交易决策者,实现了类似交易所团队的真实组织架构。系统引入结构化与自然语言混合通信协议,解决了对话“电话效应”,保留语义完整性和交叉验证,提高了系统的透明度和决策质量。
针对金融领域的LLM应用,细分为:
综述表明,多数现有研究侧重单一或有限角色,且通信大多基于自然语言,存在信息丢失风险和组织模拟不足的问题。
整体流程(见图1):
核心特点:
详细图示呈现了数据流和沟通流程,例如:分析师产生结构化报告,研究团队从中查询并展开辩论,交易员基于争论结果做决策,再由风险管理审查修正,最后基金经理审批。,3,4,5]
数据集:
模拟交易:
对比基线:
评价指标:
结果汇总(表1及相关图表说明):
交易日志与可解释性:
论文多次强调并内嵌风险讨论:
每个角色从不同风险角度出发,提出对策,如止损、仓位控制、分散投资等,确保整体框架具备动态风险管理能力。基金经理层面强调基于全面分析的买入建议,同时保留风控戒备。
TradingAgents报告通过深度结合多智能体LLM的专业分工、自然语言与结构化报告的混合通信,实现了与真实金融交易团队高度相似的交易决策流程。基于丰富多模态数据输入,框架中分析师团队多角度研判市场基本面和情绪,研究员团队进行多轮牛熊辩论,交易员综合判断并由风险管理团队层层把关,最终收益显著超越传统基线。
从评分指标与图表撷取的核心洞察包括:
最后,该项目计划进一步拓展代理角色、接入实时数据以提升决策时效,推动向线上真实交易验证过渡,值得金融科技研究者与从业者高度关注。,11-25]
TradingAgents系统整体架构图
分析师团队角色与功能示意图
研究员团队牛熊观点辩论示意图
交易员决策流程示意
风险管理团队及基金经理审批流程
AAPL累计收益及交易行为示意图
AMZN交易收益及行为示意图
GOOGL交易收益及行为示意图
TradingAgents作为一个开创性的多智能体LLM金融交易框架,着眼于解决现有自动交易系统的协作效率和信息完整性问题,重塑真实交易组织架构,取得了丰硕的理论和实证成果。其在收益、风险管理、解释性上的突破,为未来智能金融科技系统的发展树立标杆。报告文本详实,数据完备,图表丰富,为研究者提供了宝贵的系统设计理念与实战验证,堪称领域内多智能体LLM金融应用研究的典范。
,1,2,3,4,5,6,7,11,12,18,19,20,21,22,23,24,25]
TradingAgents Multi-Agents LLM Financial Trading Framework.pdf