FinCon: A Synthesized LLM Multi-Agent System with Conceptual Verbal Reinforcement for Enhanced Financial Decision Making

大型语言模型（LLMs）已经展示出在进行复杂任务方面的显著潜力，并且越来越多地被用于各种金融应用中。然而，高质量的顺序金融投资决策仍然具有挑战性。这些任务需要每个决策与一个不稳定的环境进行多次交互，要求足够的智能来最大化回报并管理风险。虽然LLMs已被用于开发超越人类团队并产生令人印象深刻的投资回报的代理系统，但通过及时的经验改进来增强多来源信息综合和优化决策结果的机会仍未被开发。在这里，我们介绍了FinCon，一个基于LLM的多代理框架，具有针对不同金融任务的概念性口头强化。受有效的现实世界投资公司组织结构的启发，FinCon利用了经理-分析师通信层次结构。这种结构允许通过自然语言交互实现同步的跨功能代理协作，以实现统一的目标，并为每个代理提供比人类更大的记忆容量。此外，FinCon中的风险控制组件通过定期启动自我批评机制来更新系统性投资信仰，从而提高决策质量。构想的信仰为未来代理的行为提供口头强化，并可有选择地传播到需要知识更新的适当节点。此功能显著提高了性能，同时降低了不必要的点对点通信成本。此外，FinCon在各种金融任务中展示了强大的泛化能力，包括单只股票交易和组合管理。

本论文旨在解决金融领域复杂决策的问题，提出了一个基于LLM的多智能体框架FinCon，旨在通过概念性语言强化来优化决策结果。

FinCon是一个基于LLM的多智能体框架，通过经理-分析师交流层次结构实现智能体之间的协作，并通过风险控制组件进行决策质量的提高。FinCon还通过概念性语言强化机制来更新系统投资信念，从而提高性能和降低通信成本。

论文设计了实验来验证FinCon在单只股票交易和组合管理等金融任务中的泛化能力。此外，论文还提到了FinCon的开源代码和值得进一步研究的方向。

在金融领域，近期的相关研究包括使用强化学习的投资决策、基于深度学习的股票预测等。