技術(shù)分析認(rèn)為歷史價(jià)格數(shù)據(jù)是市場(chǎng)狀況的直接反映。價(jià)格變動(dòng)反映公司基本面、宏觀事件、機(jī)構(gòu)流動(dòng)和市場(chǎng)情緒。大型語(yǔ)言模型（LLMs）在多步推理、工具使用、代碼合成和可解釋性方面表現(xiàn)出色，適合量化金融。

本文提出QuantAgent，首個(gè)針對(duì)高頻算法交易的多智能體LLM框架，QuantAgent在十種金融工具（如比特幣和納斯達(dá)克期貨）的零樣本評(píng)估中，預(yù)測(cè)準(zhǔn)確性優(yōu)于隨機(jī)預(yù)測(cè)基線，為高頻金融市場(chǎng)的實(shí)時(shí)決策系統(tǒng)開辟了新潛力。

摘要

近期大型語(yǔ)言模型（LLMs）在金融推理和市場(chǎng)理解方面取得了顯著進(jìn)展，但不適合高頻交易（HFT）的快速?zèng)Q策需求。HFT需要基于結(jié)構(gòu)化短期信號(hào)（如技術(shù)指標(biāo)、圖表模式和趨勢(shì)特征）進(jìn)行快速、風(fēng)險(xiǎn)意識(shí)決策。本文提出QuantAgent，首個(gè)專為高頻算法交易設(shè)計(jì)的多智能體LLM框架，分為四個(gè)專門智能體：指標(biāo)智能體、模式智能體、趨勢(shì)智能體和風(fēng)險(xiǎn)智能體。QuantAgent在十種金融工具（如比特幣和納斯達(dá)克期貨）的零樣本評(píng)估中，預(yù)測(cè)準(zhǔn)確性優(yōu)于隨機(jī)預(yù)測(cè)基線。結(jié)合結(jié)構(gòu)化金融先驗(yàn)與語(yǔ)言推理，QuantAgent為高頻金融市場(chǎng)的實(shí)時(shí)決策系統(tǒng)開辟了新潛力。

簡(jiǎn)介

技術(shù)分析認(rèn)為歷史價(jià)格數(shù)據(jù)是市場(chǎng)狀況的直接反映。價(jià)格變動(dòng)反映公司基本面、宏觀事件、機(jī)構(gòu)流動(dòng)和市場(chǎng)情緒。每個(gè)交易周期可用開盤、最高、最低和收盤價(jià)（OHLC）四個(gè)值總結(jié)。OHLC數(shù)據(jù)可用于識(shí)別趨勢(shì)、反轉(zhuǎn)、突破和動(dòng)量變化。在有效市場(chǎng)假說下，資產(chǎn)價(jià)格迅速反映所有公開信息，因此OHLC數(shù)據(jù)足以進(jìn)行短期預(yù)測(cè)。

大型語(yǔ)言模型（LLMs）在多步推理、工具使用、代碼合成和可解釋性方面表現(xiàn)出色，適合量化金融。現(xiàn)有LLM金融系統(tǒng)主要依賴文本輸入，存在信號(hào)滯后和數(shù)據(jù)噪聲問題。

本文提出QuantAgent，首個(gè)針對(duì)高頻算法交易的多智能體LLM框架，分為四個(gè)專門智能體：指標(biāo)智能體、模式智能體、趨勢(shì)智能體和風(fēng)險(xiǎn)智能體。QuantAgent通過處理OHLC數(shù)據(jù)，生成技術(shù)指標(biāo)、識(shí)別圖形、評(píng)估趨勢(shì)和綜合風(fēng)險(xiǎn)，提供透明的交易決策。在商品、股票和加密貨幣市場(chǎng)的評(píng)估中，QuantAgent表現(xiàn)優(yōu)異，特別是在股票市場(chǎng)，方向預(yù)測(cè)準(zhǔn)確率高達(dá)80%。提供本地瀏覽器界面，增強(qiáng)用戶交互和決策透明度，推動(dòng)高頻市場(chǎng)中的可解釋和風(fēng)險(xiǎn)意識(shí)的LLM框架發(fā)展。

相關(guān)工作

金融決策智能體

QuantAgent基于LLM的智能體系統(tǒng)研究，專注于金融決策。FINMEM通過分層記憶整合多種時(shí)間信號(hào)，提升決策質(zhì)量和可解釋性。FINCON引入角色特定的智能體協(xié)作，針對(duì)長(zhǎng)期預(yù)測(cè)和復(fù)雜策略。TradingAgents模擬機(jī)構(gòu)交易桌的協(xié)作流程，強(qiáng)調(diào)信息豐富環(huán)境中的可解釋性。這些系統(tǒng)與短期反應(yīng)的情緒驅(qū)動(dòng)模型（如MarketBERT和FinBERT）形成對(duì)比。

基于指標(biāo)和模式的量化交易

量化交易系統(tǒng)早期依賴結(jié)構(gòu)化數(shù)值指標(biāo)（如價(jià)格趨勢(shì)、波動(dòng)性、動(dòng)量）進(jìn)行決策，Lo等（2000）研究表明某些非線性價(jià)格模式具有顯著預(yù)測(cè)能力。后續(xù)研究揭示了這些方法的局限性，如過度強(qiáng)調(diào)單步準(zhǔn)確性和研究者偏見，促使開發(fā)更強(qiáng)大的模式匹配技術(shù)以適應(yīng)市場(chǎng)動(dòng)態(tài)。動(dòng)量策略利用過去贏家和輸家的持續(xù)性。Elliott波理論和圖表模式庫(kù)旨在捕捉K線序列中的幾何規(guī)律，機(jī)器視覺的進(jìn)步使卷積神經(jīng)網(wǎng)絡(luò)在實(shí)時(shí)交易中實(shí)現(xiàn)自動(dòng)識(shí)別。盡管這些方法具備可解釋性和計(jì)算效率，但在波動(dòng)或噪聲環(huán)境中表現(xiàn)不佳。我們的LLM多智能體框架結(jié)合結(jié)構(gòu)化技術(shù)信號(hào)與LLM的自適應(yīng)推理能力，提高了動(dòng)態(tài)高頻市場(chǎng)的魯棒性和適應(yīng)性。

QuantAgent

QuantAgent結(jié)合傳統(tǒng)高頻量化交易與多智能體LLM系統(tǒng)，支持低延遲市場(chǎng)決策。該系統(tǒng)整合經(jīng)典技術(shù)分析與結(jié)構(gòu)化提示的LLM推理，具備模塊化和可解釋的金融智能。基于LangGraph構(gòu)建，模擬機(jī)構(gòu)交易桌的工作流程，四個(gè)專門智能體（指標(biāo)智能體、模式智能體、趨勢(shì)智能體和風(fēng)險(xiǎn)智能體）各自執(zhí)行不同分析角色。

QuantAgent僅依賴價(jià)格衍生的市場(chǎng)信號(hào)，避免了外部文本源的延遲和噪聲，符合有效市場(chǎng)假說。每個(gè)智能體關(guān)注短期市場(chǎng)動(dòng)態(tài)的不同方面：數(shù)值指標(biāo)、幾何模式、方向動(dòng)量和綜合決策。

指標(biāo)智能體

指標(biāo)智能體是分析模塊，將原始OHLC數(shù)據(jù)轉(zhuǎn)化為結(jié)構(gòu)化的量化信號(hào)，支持高頻交易中的快速?zèng)Q策。該過程將價(jià)格元組映射到可解釋的信號(hào)空間，幫助揭示市場(chǎng)動(dòng)向和情緒變化。通過抽象低級(jí)價(jià)格數(shù)據(jù)為高級(jí)特征，指標(biāo)智能體實(shí)現(xiàn)快速且可解釋的后續(xù)推理。

指標(biāo)智能體利用五種常用技術(shù)指標(biāo)提取市場(chǎng)信號(hào)：相對(duì)強(qiáng)弱指數(shù)（RSI）、移動(dòng)平均收斂發(fā)散指標(biāo)（MACD）、變動(dòng)率（RoC）、隨機(jī)振蕩器（STOCH）和威廉指標(biāo)（WILLR）。MACD通過分析兩條指數(shù)移動(dòng)平均線（EMA）之間的差異來指示動(dòng)量變化，快速EMA（N=12）和慢速EMA（N=26）計(jì)算出動(dòng)量信號(hào)M_t。信號(hào)線S_t為MACD序列的9期EMA，M_t上穿S_t為看漲信號(hào)，下穿為看跌信號(hào)。

這些指標(biāo)綜合反映市場(chǎng)行為，從短期波動(dòng)到長(zhǎng)期動(dòng)量趨勢(shì)，提供及時(shí)的市場(chǎng)洞察，增強(qiáng)系統(tǒng)在高頻交易中的響應(yīng)能力。

模式智能體

模式智能體的優(yōu)勢(shì)：通過視覺和結(jié)構(gòu)化的多模態(tài)推理，克服了指標(biāo)智能體在價(jià)格運(yùn)動(dòng)停滯或進(jìn)入新階段時(shí)的局限性。

市場(chǎng)模式分析：模式智能體利用LLM綁定工具從原始價(jià)格數(shù)據(jù)生成簡(jiǎn)化的蠟燭圖，自動(dòng)檢測(cè)價(jià)格運(yùn)動(dòng)的關(guān)鍵視覺特征，如高低點(diǎn)和轉(zhuǎn)折區(qū)域。

模式匹配：將當(dāng)前市場(chǎng)結(jié)構(gòu)與詳細(xì)描述的模式庫(kù)進(jìn)行比較，識(shí)別最相關(guān)的模式，幫助做出更明智的決策。

V型反轉(zhuǎn)示例：模式智能體識(shí)別V型反轉(zhuǎn)，通過評(píng)估價(jià)格在最低點(diǎn)前后的運(yùn)動(dòng)，反映人類分析師的解讀方式。

模式解釋：在高信心識(shí)別模式后，模式智能體生成易于理解的解釋，幫助將復(fù)雜的視覺信號(hào)轉(zhuǎn)化為可解讀的市場(chǎng)行為總結(jié)。

趨勢(shì)智能體

經(jīng)典圖表模式（如雙底、旗形）需在明確趨勢(shì)中評(píng)估，趨勢(shì)智能體通過趨勢(shì)動(dòng)態(tài)結(jié)構(gòu)化表示，幫助判斷模式與趨勢(shì)的一致性、潛在反轉(zhuǎn)或橫盤整理階段。趨勢(shì)智能體生成帶注釋的K線圖，包含趨勢(shì)通道，通過擬合的阻力線和支撐線捕捉價(jià)格軌跡，提供趨勢(shì)方向、強(qiáng)度和突破區(qū)的視覺參考。

通過分析局部?jī)r(jià)格序列，趨勢(shì)智能體提取近期高低點(diǎn)并使用OLS回歸擬合阻力線和支撐線，計(jì)算平均斜率κ t，提供價(jià)格通道內(nèi)的方向性估計(jì)。κ t的符號(hào)指示趨勢(shì)方向，但市場(chǎng)噪音使得相似斜率在不同結(jié)構(gòu)背景下可能產(chǎn)生不同含義。

趨勢(shì)智能體通過幾何線索分析趨勢(shì)結(jié)構(gòu)，識(shí)別上升通道、下降通道和三角壓縮等模式，提供更豐富的市場(chǎng)信號(hào)。該智能體不僅推斷方向，還評(píng)估方向偏見的信心和穩(wěn)定性，增強(qiáng)決策的穩(wěn)定性和信號(hào)一致性。

風(fēng)險(xiǎn)智能體

風(fēng)險(xiǎn)智能體旨在通過風(fēng)險(xiǎn)控制保護(hù)資本，結(jié)合指標(biāo)智能體、模式智能體、趨勢(shì)智能體的輸出，形成統(tǒng)一的風(fēng)險(xiǎn)-收益框架。使用固定止損值ρ = 0.0005，計(jì)算基于上下文的盈利水平R = r · ρ（r ∈ [1.2, 1.8]）。每筆交易定義三個(gè)關(guān)鍵水平：止損、入場(chǎng)價(jià)和止盈。最終決策基于信號(hào)質(zhì)量和預(yù)設(shè)風(fēng)險(xiǎn)暴露，確保高層次洞察轉(zhuǎn)化為一致的風(fēng)險(xiǎn)意識(shí)行動(dòng)。

決策智能體

決策智能體是決策和執(zhí)行層，決定LONG或SHORT頭寸，預(yù)測(cè)未來三根蠟燭的市場(chǎng)方向。接收來自指標(biāo)智能體、模式智能體、趨勢(shì)智能體的聚合信號(hào)，輸出包括預(yù)測(cè)方向、簡(jiǎn)要理由和風(fēng)險(xiǎn)-收益比的交易決策。僅在大多數(shù)信號(hào)一致且有確認(rèn)（如指標(biāo)交叉、突破形成、價(jià)格與趨勢(shì)邊界交互）時(shí)才執(zhí)行，過濾噪聲和沖突輸入。輸出優(yōu)化適用于高頻交易，決策比傳統(tǒng)規(guī)則系統(tǒng)更穩(wěn)健和可解釋。

實(shí)驗(yàn)

評(píng)估QuantAgent框架，交易決策自主生成，無(wú)需示范或監(jiān)督微調(diào)。基于上游智能體的結(jié)構(gòu)化推理，僅使用近期蠟燭圖數(shù)據(jù)和基本上下文（資產(chǎn)類型、時(shí)間間隔）預(yù)測(cè)短期市場(chǎng)方向。生成清晰的交易建議和人類可讀的解釋，以便在現(xiàn)實(shí)環(huán)境中評(píng)估性能。實(shí)驗(yàn)旨在測(cè)試框架在數(shù)據(jù)有限、快速適應(yīng)決策環(huán)境中的有效性。

基準(zhǔn)構(gòu)建和評(píng)估協(xié)議

構(gòu)建基準(zhǔn)數(shù)據(jù)集，包含多種金融資產(chǎn)的4小時(shí)OHLC蠟燭圖數(shù)據(jù)。資產(chǎn)類別包括加密貨幣（如BTC/USD）、股票指數(shù)（如納斯達(dá)克100期貨、標(biāo)普500期貨）和商品（如黃金期貨、原油期貨）。每個(gè)資產(chǎn)收集5,000個(gè)歷史蠟燭圖，隨機(jī)抽取100個(gè)評(píng)估段，每段包含100個(gè)連續(xù)蠟燭圖，最后三個(gè)蠟燭圖被保留以避免泄露未來市場(chǎng)結(jié)果。

系統(tǒng)生成結(jié)構(gòu)化交易報(bào)告，包括方向預(yù)測(cè)（LONG或SHORT）、簡(jiǎn)要理由和風(fēng)險(xiǎn)-收益比。方向決策和風(fēng)險(xiǎn)-收益估計(jì)用于定量評(píng)估，基線比較使用隨機(jī)策略。結(jié)果使用一致的指標(biāo)進(jìn)行評(píng)估，并在結(jié)果部分的表1中展示。

評(píng)估指標(biāo)

定向精度評(píng)價(jià)

預(yù)測(cè)正確性通過比較LLM的方向性預(yù)測(cè)與未來市場(chǎng)走勢(shì)的三根蠟燭圖進(jìn)行評(píng)估。

• LONG決策：后續(xù)三根蠟燭圖收盤高于最后一個(gè)收盤價(jià)的數(shù)量計(jì)為正確命中（最多3個(gè)）。
• SHORT決策：后續(xù)三根蠟燭圖收盤低于最后一個(gè)收盤價(jià)的數(shù)量計(jì)為正確命中（最多3個(gè)）。

準(zhǔn)確率α計(jì)算公式為α = C / T，其中C為正確預(yù)測(cè)的蠟燭圖數(shù)量，T為評(píng)估的蠟燭圖總數(shù)。每個(gè)測(cè)試案例的得分范圍為0到3，3/3表示完美的短期方向準(zhǔn)確性。整體平均準(zhǔn)確率通過同一樣本組所有測(cè)試案例的平均值計(jì)算，類似于廣泛應(yīng)用于預(yù)測(cè)的平均方向準(zhǔn)確性概念。

回報(bào)率（RoR）評(píng)估

評(píng)估交易結(jié)果基于多種收益率（RoR）估算器，旨在量化交易的盈利能力，通過比較入場(chǎng)價(jià)格與不同退出場(chǎng)景的相對(duì)收益或損失。Close-to-Close RoR（R_cc）通過比較預(yù)測(cè)窗口內(nèi)最后蠟燭圖的收盤價(jià)與初始收盤價(jià)，直接衡量短期價(jià)格變動(dòng)。風(fēng)險(xiǎn)約束的基于回報(bào)的RoR R模擬通過模擬止損和止盈行為來管理風(fēng)險(xiǎn)，設(shè)定固定止損閾值ρ = 0.0005。

利用LLM生成的風(fēng)險(xiǎn)-回報(bào)比r = R/ρ確定止盈水平，反映真實(shí)交易條件。R_max和R_min分別表示在三根蠟燭內(nèi)的最佳和最差回報(bào)率，形成潛在結(jié)果的有界范圍。

所有評(píng)估在無(wú)超參數(shù)調(diào)優(yōu)或提示工程的情況下進(jìn)行，結(jié)果展示系統(tǒng)在波動(dòng)資產(chǎn)上的泛化能力和可解釋的風(fēng)險(xiǎn)管理交易洞察。

結(jié)果

我們的智能體基礎(chǔ)LLM交易系統(tǒng)在八個(gè)市場(chǎng)上表現(xiàn)優(yōu)于隨機(jī)基線，包括原油、黃金、股指和比特幣。準(zhǔn)確率提升最大的是SPX（+23個(gè)百分點(diǎn)）、QQQ（+20 pp）和ES（+14 pp），即使在高效市場(chǎng)DJI也有提升（49.0%到51.0%）。預(yù)測(cè)準(zhǔn)確性提高帶來更強(qiáng)的收益，六個(gè)市場(chǎng)的收盤利潤(rùn)為正，SPX從小虧損轉(zhuǎn)為盈利（–0.108到0.207），DJI從–0.096轉(zhuǎn)為0.159。在相同的止損和止盈設(shè)置下，我們的方法降低風(fēng)險(xiǎn)并改善結(jié)果，QQQ和SPX的虧損轉(zhuǎn)為盈利，原油的損失減半。模型在BTC等市場(chǎng)中捕捉更多上漲空間，同時(shí)限制下跌風(fēng)險(xiǎn)，最佳回報(bào)從1.115提升至1.232，最壞損失減小。

基于樣本的驗(yàn)證精度

評(píng)估LLM短期預(yù)測(cè)一致性，使用100個(gè)隨機(jī)樣本的10個(gè)重疊測(cè)試窗口，整體準(zhǔn)確率為80%。

• 成功賣出（索引0和3）：價(jià)格在熟悉的阻力位回落，動(dòng)量指標(biāo)轉(zhuǎn)為負(fù)，驗(yàn)證了賣出決策。
• 成功買入（索引1, 4, 5, 6, 8, 9）：動(dòng)量指標(biāo)轉(zhuǎn)為正，價(jià)格反彈或恢復(fù)，模式檢測(cè)器和趨勢(shì)分析一致，買入信號(hào)獲利。
• 錯(cuò)失信號(hào)（索引2和7）：模型過于依賴圖形模式和早期動(dòng)量，忽視了價(jià)格在阻力位的疲軟信號(hào)，導(dǎo)致錯(cuò)誤買入。
• 改進(jìn)方向：調(diào)整對(duì)圖形模式和動(dòng)量的權(quán)重，以提高預(yù)測(cè)準(zhǔn)確性。

案例學(xué)習(xí)

趨勢(shì)智能體分析最近的K線窗口，擬合出一個(gè)上升的價(jià)格通道，表明價(jià)格接近上邊界（阻力），且遠(yuǎn)離下邊界（支撐），顯示出上升趨勢(shì)。

報(bào)告中提到的三項(xiàng)總結(jié)：

• 阻力線：價(jià)格最近突破紅色邊界，且上升。
• 支撐線：價(jià)格遠(yuǎn)離平坦的藍(lán)色支撐，暗示下行空間未測(cè)試。
• 價(jià)格行為：高點(diǎn)和低點(diǎn)持續(xù)上升，表明趨勢(shì)向上。

綜合評(píng)估為“看漲信號(hào)”，建議關(guān)注突破或回調(diào)入場(chǎng)。

指標(biāo)分析：

• RSI：大部分值在50以上，近期約68.49，接近超買。
• MACD：MACD線在信號(hào)線之上，顯示看漲動(dòng)能，直方圖為正。
• ROC：值為0.94，表明持續(xù)的上漲動(dòng)能。
• 隨機(jī)指標(biāo)：%K和%D均在80以上，顯示超買，可能面臨調(diào)整。
• 威廉指標(biāo)：大部分值在-20以上，進(jìn)一步確認(rèn)超買狀態(tài)。

結(jié)論：整體看漲，但超買信號(hào)提示需謹(jǐn)慎，建議監(jiān)測(cè)反轉(zhuǎn)或動(dòng)能減弱的跡象。

RSI持續(xù)在50以上，當(dāng)前約68，顯示出持續(xù)的上漲參與，但接近超買區(qū)。MACD在信號(hào)線之上，正值直方圖擴(kuò)張，確認(rèn)上漲動(dòng)能仍在。ROC略微正值（約1%），表明持續(xù)的上升變化率。快速振蕩器處于警告區(qū)：隨機(jī)指標(biāo)和威廉姆斯%R均在超買區(qū)域（>80和>-20），顯示上漲已被拉伸，可能面臨回調(diào)。綜合評(píng)估為“看漲但已延伸”：保持上漲偏向，但需注意疲軟風(fēng)險(xiǎn)，建議收緊止損、縮減倉(cāng)位或等待回調(diào)再加倉(cāng)。

總結(jié)

QuantAgent是一個(gè)新型多智能體交易框架，結(jié)合經(jīng)典量化分析與語(yǔ)言模型推理，適用于高頻交易環(huán)境。該框架將交易決策流程分解為四個(gè)專門智能體：指標(biāo)智能體、模式智能體、趨勢(shì)智能體和風(fēng)險(xiǎn)智能體，利用結(jié)構(gòu)化提示和技術(shù)工具分析市場(chǎng)行為。智能體在LangGraph架構(gòu)中半自主運(yùn)作，生成延遲感知的可解釋交易建議，不依賴社交媒體或外部情緒信息。系統(tǒng)基于價(jià)格行為反映市場(chǎng)信息的理念，旨在實(shí)現(xiàn)高效、抗噪聲的決策。

在十種金融工具的實(shí)證評(píng)估中，QuantAgent在方向準(zhǔn)確性和多種收益率指標(biāo)上均優(yōu)于隨機(jī)基線。在波動(dòng)市場(chǎng)條件下，系統(tǒng)通過模擬止損和收益閾值等現(xiàn)實(shí)交易約束保持穩(wěn)健。QuantAgent完全在零樣本設(shè)置下運(yùn)行，無(wú)需監(jiān)督微調(diào)，展示了傳統(tǒng)量化交易與現(xiàn)代語(yǔ)言驅(qū)動(dòng)推理的結(jié)合潛力。

限制和未來工作

QuantAgent在超短時(shí)間框架（1-15分鐘）上的預(yù)測(cè)精度較低，因價(jià)格序列受噪聲和快速狀態(tài)轉(zhuǎn)變影響，導(dǎo)致信號(hào)與噪聲難以區(qū)分。當(dāng)前架構(gòu)不是實(shí)時(shí)的，推理周期涉及LLM調(diào)用和多個(gè)工具，延遲可能超過1分鐘的可交易窗口。改進(jìn)方向包括簡(jiǎn)化工具協(xié)調(diào)、緩存中間特征或?qū)㈥P(guān)鍵邏輯轉(zhuǎn)移到輕量級(jí)模型，以縮短延遲。

本文轉(zhuǎn)載自??靈度智能??