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

大型语言模型（LLMs）在执行复杂任务方面展示了显著的潜力，并越来越多地应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。这些任务需要针对每个决策与不稳定的环境进行多次交互，要求具备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，但通过及时的经验完善来增强多源信息综合和优化决策结果的机会仍未被探索。在这里，我们介绍了FinCon，这是一个基于LLM的多智能体框架，其概念性语言强化针对不同的金融任务进行了定制。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-分析师沟通层次结构。这种结构通过自然语言交互，允许各功能智能体之间协同工作，朝着统一的目标进行同步，同时为每个智能体配备比人类更大的记忆容量。此外，FinCon中的风险控制组件通过间歇性地启动自我批评机制来更新系统性投资信念，从而提高决策质量。概念化的信念可作为未来智能体行为的语言强化，并可选择地传播到需要知识更新的适当节点。这一特性显著提高了性能，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投资组合管理。

论文旨在解决金融领域中高质量顺序投资决策的挑战，提出了一种基于LLM的多智能体框架FinCon，并加入了概念性语言强化和风险控制组件，以提高性能和决策质量。

FinCon框架采用经理-分析师通信层次结构，通过自然语言交互实现智能体之间的协同作业，同时增加了风险控制组件和概念性语言强化，以提高决策质量和性能。

论文实现了一个基于LLM的多智能体框架FinCon，通过经理-分析师通信层次结构实现智能体之间的协同作业，同时增加了风险控制组件和概念性语言强化，以提高决策质量和性能。实验结果表明FinCon在单只股票交易和投资组合管理等多种金融任务中具有良好的泛化能力。

近期的相关研究包括《Multi-Agent Reinforcement Learning for Portfolio Management》、《Deep Reinforcement Learning for Portfolio Management》等。