本文提出基于多智能体系统(MAS)的加密资产组合构建与评估方法,比较了静态等权重组合与滚动窗口动态优化策略。研究利用2020-2025年十大市值加密货币日数据,通过Crew AI架构实现模块化投资流程。动态滚动优化策略显著提升风险调整收益指标(如Sharpe比率),展现了自适应资产管理在高波动加密市场的优势,并强调了MAS模型在透明性、可扩展性及审计性方面的潜力
| 资产 | 均等权重 | Crew A权重 | Crew B权重 |
|---|---|---|---|
| BTC | 0.10 | 0.0000 | 0.0955 |
| ETH | 0.10 | 0.0000 | 0.0881 |
| BNB | 0.10 | 0.0000 | 0.1213 |
| SOL | 0.10 | 0.6490 | 0.1271 |
| XRP | 0.10 | 0.0000 | 0.0772 |
| DOGE | 0.10 | 0.0411 | 0.0775 |
| ADA | 0.10 | 0.0000 | 0.0663 |
| AVAX | 0.10 | 0.0000 | 0.1848 |
| SHIB | 0.10 | 0.3099 | 0.1375 |
| DOT | 0.10 | 0.0000 | 0.0248 |
| 指标 | 均等权重 | Crew A(静态优化) | Crew B(滚动优化) |
|---|---|---|---|
| 训练期预期收益率 | 8% | 10% | 10% |
| 训练期波动率 | 15% | 12% | 10% |
| 训练期Sharpe比率 | 0.53 | 0.83 | 1.00 |
| 训练期Sortino比率 | 0.75 | 1.10 | 1.30 |
| 最大回撤 | -20% | -15% | -15% |
| 测试期预期收益率 | 7%-9% | 9% | 8% |
| 测试期波动率 | - | 13% | 11% |
| 测试期Sharpe比率 | - | 0.69 | 0.72 |
| 测试期Sortino比率 | - | 0.9 | 1.1 |
| 测试期最大回撤 | - | -18% | -18% |
报告标题: Building crypto portfolios with agentic AI
作者: Antonino Castelli, Paolo Giudici, Alessandro Piergallini
机构: 意大利帕维亚大学经济学与计算机工程系
发布日期: 论文未显示具体日期,但引用文献截至2025年,推测为2025年前后
主题: 利用多智能体系统(Multi-Agent System, MAS)及人工智能技术,自动构建和管理加密货币投资组合,比较静态投资策略与动态滚动优化策略的表现。
核心论点:
本报告探讨了通过多智能体系统(结合Crew AI平台)实现加密资产组合的自动化管理,重点比较传统静态均权与基于滚动窗口的动态优化两种投资策略。研究使用2020年至2025年间十大加密货币的日价格数据,衡量和比较两种策略基于现代组合理论指标(期望收益、Sharpe与Sortino比率、波动率等)的表现。结果显示,动态滚动优化策略在风险调整收益上明显优于静态策略,体现了动态适应性在高波动加密市场的重要作用。此外,多智能体系统方案提供了模块化、可审计且灵活的自动化投资流程,这对金融自动化具有显著应用价值。
报告指出,随着加密货币从边缘资产迅速演变为主流资产类别,其高波动性、厚尾分布和市场结构变化给投资组合构建带来了巨大挑战。传统的买入持有策略在高频高波动环境下效率有限。多智能体系统(MAS)应用于自动化投资提供了一种模块化方案,能够处理从数据处理到资产定价的全流程。
文中提及多个基于大型语言模型(LLM)的智能体应用,如TradingAgents(Xiao et al., 2025)和AAPM框架(Cheng & Chin, 2024),表明LLM智能体结合定量与定性分析,能够提升资产定价和交易策略的性能。不过在加密资产领域,实证研究依旧不足,本文旨在填补该空白,借助Crew AI实现两种不同MAS投资策略对比,验证动态资产配置优势。
研究以2020年8月20日至2025年3月13日的1667个交易日为样本,涵盖按市值排名前十的加密货币:BTC、ETH、BNB、SOL、XRP、DOGE、ADA、AVAX、DOT、SHIB。选择这些资产基于持续的市场相关性和流动性。
表1(见下文图表分析)展示了这十种资产的均价、中位数、标准差、极值,反映极端价格量级差异(如BTC均价超4.5万美元,SHIB均价接近零),但均有类似的相对波动率特征。
MAS部分借助Crew AI搭建,包括多个功能工具(数据加载、清洗、切分、指标计算与优化等),以及8个协作智能体划分成两组任务团队(Crew A为静态优化,Crew B为动态滚动窗口优化),保证模块化与透明流程。此外,最终报告智能体负责综合分析结果,提升系统的可审计性与复现性。
以比特币为代表进行了深入分析。BTC价格表现出显著的“繁荣-崩溃”形态,2021年11月达峰值,随后大幅回调。其对数收益率表现为明显的波动聚集,即波动性有时段性集中,这一现象在加密货币中普遍存在(见图2,BTC价格与收益率走势)。
这一波动性和收益率结构变化的不确定性直接挑战了传统稳态风险和相关假设,强调动态资产配置的必要性。
Crew A作为基准策略,先采用等权分配(每资产10%),随后基于整个训练集执行一次均值-方差优化(在无短卖、完全投资约束下)来最大化Sharpe比率。优化权重固定,投资期间不调整。
Sharpe比率定义为年化超额收益E[RM]−Rf(无风险利率假定为零)与波动率σM之比,基于日数据,年化采用252调整。
此静态策略方便设定基线性能指标,便于后续团队比较动态方法带来的改进。
Crew B采用30天滚动窗口,每30天基于最近30个交易日数据重新计算最优权重,同样遵循无短卖、全额投资以及最大Sharpe比率。
滚动方法使得组合权重动态适应市场条件变化,响应加密货币特有的剧烈波动和市场结构转换,理论上提高风险调整收益的稳健性。此策略体现了MAS下强化学习与多智能体协同的优势,更符合实际资产管理的适应性需求。
三种策略权重差异明显:
动态滚动策略在风险调整收益层面表现显著优于静态方案。
局限性包括:
这些限制为未来研究方向提供思路。
总结强调使用MAS架构,结合动态滚动优化策略,在实际加密资产组合构建中演示其显著优势,包括:
未来建议引入稳定币、多状态模型与可解释AI层,进一步提升实用性和投资者信任度。动态优化与智能体设计结合,展现出应对复杂加密市场的有前景范式。
| 资产 | 均价 (USD) | 中位数 (USD) | 标准差 | 最小值 | 最大值 |
|---|---|---|---|---|---|
| BTC | 45,249.89 | 41,770.30 | 21,685.75 | 15,787.28 | 106,146.27 |
| ETH | 2,443.43 | 2,316.82 | 855.93 | 993.64 | 4,812.09 |
| BNB | 396.41 | 335.07 | 152.84 | 40.99 | 750.27 |
| SOL | 87.21 | 56.34 | 69.76 | 3.69 | 261.87 |
| XRP | 0.76 | 0.56 | 0.55 | 0.25 | 3.30 |
| DOGE | 0.14 | 0.10 | 0.10 | 0.01 | 0.68 |
| ADA | 0.77 | 0.50 | 0.56 | 0.24 | 2.97 |
| AVAX | 33.52 | 25.72 | 24.40 | 8.79 | 134.53 |
| SHIB | 0 | 0 | 0 | 0 | 0.00008 |
| DOT | 12.81 | 7.02 | 11.27 | 3.65 | 53.88 |
解读:
表1展示了主流加密货币在2020-2025期间显著的价格差异。BTC均价远高于其他币种,且价格波动幅度非常大(标准差约4.8万,即约95%均价)。SHIB均价接近零,体现其低价格高波动特征。整体表明资产波动性极高且横跨极大价格级别,支持采用动态调整策略应对市场异质性。相对分散的波动性也反映了投资组合内需考虑资产间相关性与风险贡献。
图示描述:
左图显示BTC收盘价格时间序列,有明显的周期性波动和峰值,尤其是2021年底至2022年初的价格高峰及随后大幅回落。右图为对数收益率序列,指出波动率聚集现象,即收益率的波动强度不均匀,时而高波动,时而平稳。
数据与趋势解读:
此图在文中作为直观引导,说明加密资产市场波动复杂且动态变化,强化滚动优化策略的理论依据。
| 资产 | 等权重 | Crew A 静态优化 | Crew B 滚动优化 |
|---|---|---|---|
| BTC | 0.10 | 0.000 | 0.0955 |
| ETH | 0.10 | 0.000 | 0.0881 |
| BNB | 0.10 | 0.000 | 0.1213 |
| SOL | 0.10 | 0.6490 | 0.1271 |
| XRP | 0.10 | 0.000 | 0.0772 |
| DOGE | 0.10 | 0.0411 | 0.0775 |
| ADA | 0.10 | 0.000 | 0.0663 |
| AVAX | 0.10 | 0.000 | 0.1848 |
| SHIB | 0.10 | 0.3099 | 0.1375 |
| DOT | 0.10 | 0.000 | 0.0248 |
解读:
该表直观展示了策略在资产分配上的差异,验证了动态策略在风险控制与收益捕捉上的均衡优势。
| 指标 | 等权重 | Crew A 静态优化 | Crew B 动态滚动优化 |
|---|---|---|---|
| 预期年化收益率 | 8% | 10% | 10% |
| 年化波动率 | 15% | 12% | 10% |
| Sharpe比率 | 0.53 | 0.83 | 1.00 |
| Sortino比率 | 0.75 | 1.10 | 1.30 |
| 最大回撤 | -20% | -15% | -15% |
| 流动性风险 | 未明确 | 未明确 | 低 |
| 状态变化检测 | 未明确 | 未明确 | 无 |
数据解读:
该表以指标方式全面评估策略性能,直观体现了动态策略的实际投资优势。
图示描述:
图中展示了8个协作智能体按流程顺序链接:
两套“Crew”分别运行各自优化器,实现静态与动态策略,并由最终报告智能体整合结果。
解读:
这一架构图作为本文技术实现的核心示意,突显了人工智能与多智能体协作在金融组合管理中的潜力。
报告未涉及传统意义上的公司估值或证券估值,但在投资组合优化范畴使用了经典现代组合理论(MPT)框架进行资产权重的估算和优化:
这些方法均基于每日历史价格计算并年化,使用252转化年化波动。机制解释清楚有效,符合金融领域主流流程,但缺少对潜在估值/收益率模型的复杂补充建模(如非线性风险、极端事件建模)。
报告中明确讨论与识别以下风险因素:
报告建议继续监控交易成本与流动性状况,密切关注市场状态变化并及时调整策略,提示风险管理不可忽视。
总体来看,报告在充分展示技术创新与实证成效同时,也恰当揭示了研究的潜在限制与未来改进方向。
本报告以详实的数据和严密的方法开发了一个基于多智能体系统的自动化加密货币投资组合管理框架。通过对过去五年内十大加密资产的价格数据进行实证分析,本文成功验证了如下关键发现:
综上,报告深刻且系统地演示了在复杂多变的加密货币市场中,结合智能体技术和现代投资理论的动态组合管理方案,不仅有效提升了风险调整收益,也为金融自动化提供了可审计、模块化的新范式,具有重要的理论价值和应用前景。推荐资产管理机构和学术界进一步关注与拓展此类多智能体动态投资框架。
(全文完)
2507.20468.pdf