TradingAgents: Multi-Agents LLM Financial Trading Framework

在使用由大型语言模型（LLMs）驱动的代理群体进行自动化问题解决方面，已经取得了显著进展。在金融领域，研究工作主要集中在处理特定任务的单代理系统，或独立收集数据的多代理框架上。然而，多代理系统在模拟现实世界交易公司协作动态方面的潜力尚未得到充分探索。TradingAgents 提出了一种受交易公司启发的新股票交易框架，其中包含由 LLM 驱动的专门角色代理，例如基本面分析师、情绪分析师、技术分析师以及具有不同风险偏好的交易员。该框架还包括评估市场状况的 Bull 和 Bear 研究员代理、监控风险敞口的风险管理团队，以及通过辩论和历史数据综合见解以做出明智决策的交易员。通过模拟动态且协作的交易环境，这一框架旨在提升交易表现。详细的架构设计与广泛的实验结果表明，该框架在累积回报、夏普比率和最大回撤等方面优于基线模型，突显了多代理 LLM 框架在金融交易中的潜力。TradingAgents 的代码已开源，可访问 https://github.com/TauricResearch/TradingAgents 获取。

该论文试图解决如何利用多智能体系统和大语言模型（LLMs）来模拟真实交易公司的协作动态，以提高股票交易性能的问题。这是一个相对较新的问题，尤其是在将多智能体系统应用于金融交易领域时。

关键思路是构建一个名为TradingAgents的框架，其中包含多个由LLM驱动的智能体，每个智能体承担特定角色，如基本面分析师、情绪分析师、技术分析师和具有不同风险偏好的交易员。这些智能体通过协作与辩论生成交易决策，并结合市场条件评估和风险管理功能。相比现有研究，该框架不仅关注单个智能体的能力，还强调多智能体之间的协作，从而更接近真实的交易环境。

论文设计了详尽的实验，验证了TradingAgents在累计收益、夏普比率和最大回撤等指标上的优越性。实验使用了历史市场数据，并且代码已在GitHub上开源（https://github.com/TauricResearch/TradingAgents）。此外，该研究展示了多智能体系统在金融领域的潜力，未来可以探索更多复杂的市场场景和智能体交互方式。

近期相关研究包括：1) 单智能体系统在金融任务中的应用，例如基于LLM的股票预测模型；2) 多智能体系统在其他领域的应用，如强化学习驱动的博弈智能体；3) 市场情绪分析与技术分析的结合研究。相关论文标题如《Financial Forecasting with Large Language Models》和《Multi-Agent Reinforcement Learning for Stock Trading》。