基于LLM的多Agent框架在金融市場數據的應用
架構
圖片
上圖展示了本文的整體架構：結合了傳統的統計技術和大型語言模型驅動的多智能體系統。首先利用從簡單的規則、無監督學習和深度學習技術等現有手段，對金融表格數據中的異常進行識別。異常識別后，將數據傳到LLM多智能體系統中。
整個系統包括：數據轉換Agent、數據專家Agent、報告整合Agent、管理層討論。
其中數據專家Agent包括三個專家：
? 網絡調研專家：這位專家通過網絡資源的深入挖掘，如數據發布方的公告、頭條新聞或社交媒體動態，來核實異常信息的真偽。
? 機構智庫專家：充當資深市場分析師，這位專家運用深厚的領域知識為發現的異常現象提供詳盡的背景和闡釋。其知識庫源自過往分析、數據供應商的交流、歷史問題檔案及統計方法等。
? 交叉驗證專家：專注于利用其他可信來源進行數據對證，這位專家在驗證或駁斥已發現的異常中扮演關鍵角色。即便缺乏完全相同的數據集，專家也能參考趨勢相近的數據序列進行分析，比如對比同一市場的不同股票指數或研究相似期限的國債收益率。
比較有意思的是這個管理層討論：當專家分析匯總為摘要報告后，該報告便提交給一個管理層代理小組。小組成員各司其職，針對報告中的關鍵發現展開深入審查與討論。與專注于數據細節的數據專家代理不同，管理層代理被賦予宏觀視角，以模擬現實組織中的高層決策過程。這樣的設計讓戰略視角和更寬廣的背景得以在決策中發揮作用。代理們在討論中相互交流觀點，辯論不同解讀，并評估研究結果的影響。討論最終達成共識，明確接下來的行動方向。
標普500數據上的應用
接下來，作者通過標普500指數的每日數據序列（1980年至2023年）的案例，實際展示了多智能體AI框架的操作應用。詳細闡述了LLM支持的多智能體模型是如何處理和分析真實金融數據的，從發現異常到最終決策的每個環節都進行了闡釋。選擇標普500指數作為案例研究，意在突出該框架在處理金融數據集復雜性方面的高效能力。
第一步：異常值檢測
用Z-Score對標普500指數的漲跌幅數據進行異常值檢測。閾值是10個ZScore，以便精確地揪出重大異常值，專注于最突出的偏離情況。
圖片
在1987年10月19日、2008年10月13日和2020年3月16日這三個日期（見上圖）發現了三個異常值。為了進一步考驗框架的識別能力，還故意在數據集中加入了三個缺失值。發現異常后，這些數據點被轉換成機器可處理的格式（見下表），為AI代理的后續分析做好了準備。
圖片
第二步：數據問題 Agent
當接收到異常數據及其關聯的元數據時，負責提出數據問題的專家Agent在驗證異常的最初階段起著至關重要的作用。這位專家提出的問題是多方面的：它們既驗證了檢測到的異常的本質，也探究了這些異常在歷史和市場背景下的重要性，并為進一步核實準備了適合LLM的問題。下表展示了如何指導該專家并讓其針對標普500指數中的異常情況進行回答。
圖片
圖片
第三步：數據專家 Agent
數據專家Agent 1: Web Research
圖片
數據專家Agent 2: 機構智庫專家
圖片
數據專家Agent 3: 交叉驗證專家
圖片
第四步：報告整合專家 Agent
圖片
第五步：管理層討論
圖片
Arxiv[1]
通往 AGI 的神秘代碼
if like_this_article():
do_action('點贊')
do_action('再看')
add_wx_friend('iamxxn886')
if like_all_arxiv_articles():
go_to_link('https://github.com/HuggingAGI/HuggingArxiv') star_github_repo(''https://github.com/HuggingAGI/HuggingArxiv')引用鏈接
??[1]?? Arxiv: https://arxiv.org/abs/2403.19735
本文轉載自 ??大語言模型論文跟蹤??，作者：HuggingAGI
