技術(shù)分析認為歷史價格數(shù)據(jù)是市場狀況的直接反映。價格變動反映公司基本面、宏觀事件、機構(gòu)流動和市場情緒。大型語言模型（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，首個針對高頻算法交易的多智能體LLM框架，QuantAgent在十種金融工具（如比特幣和納斯達克期貨）的零樣本評估中，預測準確性優(yōu)于隨機預測基線，為高頻金融市場的實時決策系統(tǒng)開辟了新潛力。

摘要

近期大型語言模型（LLMs）在金融推理和市場理解方面取得了顯著進展，但不適合高頻交易（HFT）的快速決策需求。HFT需要基于結(jié)構(gòu)化短期信號（如技術(shù)指標、圖表模式和趨勢特征）進行快速、風險意識決策。本文提出QuantAgent，首個專為高頻算法交易設(shè)計的多智能體LLM框架，分為四個專門智能體：指標智能體、模式智能體、趨勢智能體和風險智能體。QuantAgent在十種金融工具（如比特幣和納斯達克期貨）的零樣本評估中，預測準確性優(yōu)于隨機預測基線。結(jié)合結(jié)構(gòu)化金融先驗與語言推理，QuantAgent為高頻金融市場的實時決策系統(tǒng)開辟了新潛力。

簡介

技術(shù)分析認為歷史價格數(shù)據(jù)是市場狀況的直接反映。價格變動反映公司基本面、宏觀事件、機構(gòu)流動和市場情緒。每個交易周期可用開盤、最高、最低和收盤價（OHLC）四個值總結(jié)。OHLC數(shù)據(jù)可用于識別趨勢、反轉(zhuǎn)、突破和動量變化。在有效市場假說下，資產(chǎn)價格迅速反映所有公開信息，因此OHLC數(shù)據(jù)足以進行短期預測。

大型語言模型（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?，F(xiàn)有LLM金融系統(tǒng)主要依賴文本輸入，存在信號滯后和數(shù)據(jù)噪聲問題。

本文提出QuantAgent，首個針對高頻算法交易的多智能體LLM框架，分為四個專門智能體：指標智能體、模式智能體、趨勢智能體和風險智能體。QuantAgent通過處理OHLC數(shù)據(jù)，生成技術(shù)指標、識別圖形、評估趨勢和綜合風險，提供透明的交易決策。在商品、股票和加密貨幣市場的評估中，QuantAgent表現(xiàn)優(yōu)異，特別是在股票市場，方向預測準確率高達80%。提供本地瀏覽器界面，增強用戶交互和決策透明度，推動高頻市場中的可解釋和風險意識的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間信號，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，針對長期預測和復雜策略。TradingAgents模擬機構(gòu)交易桌的協(xié)作流程，強調(diào)信息豐富環(huán)境中的可解釋性。這些系統(tǒng)與短期反應的情緒驅(qū)動模型（如MarketBERT和FinBERT）形成對比。

基于指標和模式的量化交易

量化交易系統(tǒng)早期依賴結(jié)構(gòu)化數(shù)值指標（如價格趨勢、波動性、動量）進行決策，Lo等（2000）研究表明某些非線性價格模式具有顯著預測能力。后續(xù)研究揭示了這些方法的局限性，如過度強調(diào)單步準確性和研究者偏見，促使開發(fā)更強大的模式匹配技術(shù)以適應市場動態(tài)。動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旨在捕捉K線序列中的幾何規(guī)律，機器視覺的進步使卷積神經(jīng)網(wǎng)絡在實時交易中實現(xiàn)自動識別。盡管這些方法具備可解釋性和計算效率，但在波動或噪聲環(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)信號與LLM的自適應推理能力，提高了動態(tài)高頻市場的魯棒性和適應性。

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，模擬機構(gòu)交易桌的工作流程，四個專門智能體（指標智能體、模式智能體、趨勢智能體和風險智能體）各自執(zhí)行不同分析角色。

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

指標智能體

指標智能體是分析模塊，將原始OHLC數(shù)據(jù)轉(zhuǎn)化為結(jié)構(gòu)化的量化信號，支持高頻交易中的快速決策。該過程將價格元組映射到可解釋的信號空間，幫助揭示市場動向和情緒變化。通過抽象低級價格數(shù)據(jù)為高級特征，指標智能體實現(xiàn)快速且可解釋的后續(xù)推理。

指標智能體利用五種常用技術(shù)指標提取市場信號：相對強弱指數(shù)（RSI）、移動平均收斂發(fā)散指標（MACD）、變動率（RoC）、隨機振蕩器（STOCH）和威廉指標（WILLR）。MACD通過分析兩條指數(shù)移動平均線（EMA）之間的差異來指示動量變化，快速EMA（N=12）和慢速EMA（N=26）計算出動量信號M_t。信號線S_t為MACD序列的9期EMA，M_t上穿S_t為看漲信號，下穿為看跌信號。

這些指標綜合反映市場行為，從短期波動到長期動量趨勢，提供及時的市場洞察，增強系統(tǒng)在高頻交易中的響應能力。

模式智能體

模式智能體的優(yōu)勢：通過視覺和結(jié)構(gòu)化的多模態(tài)推理，克服了指標智能體在價格運動停滯或進入新階段時的局限性。

市場模式分析：模式智能體利用LLM綁定工具從原始價格數(shù)據(jù)生成簡化的蠟燭圖，自動檢測價格運動的關(guān)鍵視覺特征，如高低點和轉(zhuǎn)折區(qū)域。

模式匹配：將當前市場結(jié)構(gòu)與詳細描述的模式庫進行比較，識別最相關(guān)的模式，幫助做出更明智的決策。

V型反轉(zhuǎn)示例：模式智能體識別V型反轉(zhuǎn)，通過評估價格在最低點前后的運動，反映人類分析師的解讀方式。

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

趨勢智能體

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

通過分析局部價格序列，趨勢智能體提取近期高低點并使用OLS回歸擬合阻力線和支撐線，計算平均斜率κ t，提供價格通道內(nèi)的方向性估計。κ t的符號指示趨勢方向，但市場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。

趨勢智能體通過幾何線索分析趨勢結(jié)構(gòu)，識別上升通道、下降通道和三角壓縮等模式，提供更豐富的市場信號。該智能體不僅推斷方向，還評估方向偏見的信心和穩(wěn)定性，增強決策的穩(wěn)定性和信號一致性。

風險智能體

風險智能體旨在通過風險控制保護資本，結(jié)合指標智能體、模式智能體、趨勢智能體的輸出，形成統(tǒng)一的風險-收益框架。使用固定止損值ρ = 0.0005，計算基于上下文的盈利水平R = r · ρ（r ∈ [1.2, 1.8]）。每筆交易定義三個關(guān)鍵水平：止損、入場價和止盈。最終決策基于信號質(zhì)量和預設(shè)風險暴露，確保高層次洞察轉(zhuǎn)化為一致的風險意識行動。

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，預測未來三根蠟燭的市場方向。接收來自指標智能體、模式智能體、趨勢智能體的聚合信號，輸出包括預測方向、簡要理由和風險-收益比的交易決策。僅在大多數(shù)信號一致且有確認（如指標交叉、突破形成、價格與趨勢邊界交互）時才執(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。

實驗

評估QuantAgent框架，交易決策自主生成，無需示范或監(jiān)督微調(diào)?；谏嫌沃悄荏w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、時間間隔）預測短期市場方向。生成清晰的交易建議和人類可讀的解釋，以便在現(xiàn)實環(huán)境中評估性能。實驗旨在測試框架在數(shù)據(jù)有限、快速適應決策環(huán)境中的有效性。

基準構(gòu)建和評估協(xié)議

構(gòu)建基準數(shù)據(jù)集，包含多種金融資產(chǎn)的4小時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)（如納斯達克100期貨、標普500期貨）和商品（如黃金期貨、原油期貨）。每個資產(chǎn)收集5,000個歷史蠟燭圖，隨機抽取100個評估段，每段包含100個連續(xù)蠟燭圖，最后三個蠟燭圖被保留以避免泄露未來市場結(jié)果。

系統(tǒng)生成結(jié)構(gòu)化交易報告，包括方向預測（LONG或SHORT）、簡要理由和風險-收益比。方向決策和風險-收益估計用于定量評估，基線比較使用隨機策略。結(jié)果使用一致的指標進行評估，并在結(jié)果部分的表1中展示。

評估指標

定向精度評價

預測正確性通過比較LLM的方向性預測與未來市場走勢的三根蠟燭圖進行評估。

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

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

回報率（RoR）評估

評估交易結(jié)果基于多種收益率（RoR）估算器，旨在量化交易的盈利能力，通過比較入場價格與不同退出場景的相對收益或損失。Close-to-Close RoR（R_cc）通過比較預測窗口內(nèi)最后蠟燭圖的收盤價與初始收盤價，直接衡量短期價格變動。風險約束的基于回報的RoR R模擬通過模擬止損和止盈行為來管理風險，設(shè)定固定止損閾值ρ = 0.0005。

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

所有評估在無超參數(shù)調(diào)優(yōu)或提示工程的情況下進行，結(jié)果展示系統(tǒng)在波動資產(chǎn)上的泛化能力和可解釋的風險管理交易洞察。

結(jié)果

我們的智能體基礎(chǔ)LLM交易系統(tǒng)在八個市場上表現(xiàn)優(yōu)于隨機基線，包括原油、黃金、股指和比特幣。準確率提升最大的是SPX（+23個百分點）、QQQ（+20 pp）和ES（+14 pp），即使在高效市場DJI也有提升（49.0%到51.0%）。預測準確性提高帶來更強的收益，六個市場的收盤利潤為正，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，我們的方法降低風險并改善結(jié)果，QQQ和SPX的虧損轉(zhuǎn)為盈利，原油的損失減半。模型在BTC等市場中捕捉更多上漲空間，同時限制下跌風險，最佳回報從1.115提升至1.232，最壞損失減小。

基于樣本的驗證精度

評估LLM短期預測一致性，使用100個隨機樣本的10個重疊測試窗口，整體準確率為80%。

• 成功賣出（索引0和3）：價格在熟悉的阻力位回落，動量指標轉(zhuǎn)為負，驗證了賣出決策。
• 成功買入（索引1, 4, 5, 6, 8, 9）：動量指標轉(zhuǎn)為正，價格反彈或恢復，模式檢測器和趨勢分析一致，買入信號獲利。
• 錯失信號（索引2和7）：模型過于依賴圖形模式和早期動量，忽視了價格在阻力位的疲軟信號，導致錯誤買入。
• 改進方向：調(diào)整對圖形模式和動量的權(quán)重，以提高預測準確性。

案例學習

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

報告中提到的三項總結(jié)：

• 阻力線：價格最近突破紅色邊界，且上升。
• 支撐線：價格遠離平坦的藍色支撐，暗示下行空間未測試。
• 價格行為：高點和低點持續(xù)上升，表明趨勢向上。

綜合評估為“看漲信號”，建議關(guān)注突破或回調(diào)入場。

指標分析：

• RSI：大部分值在50以上，近期約68.49，接近超買。
• MACD：MACD線在信號線之上，顯示看漲動能，直方圖為正。
• ROC：值為0.94，表明持續(xù)的上漲動能。
• 隨機指標：%K和%D均在80以上，顯示超買，可能面臨調(diào)整。
• 威廉指標：大部分值在-20以上，進一步確認超買狀態(tài)。

結(jié)論：整體看漲，但超買信號提示需謹慎，建議監(jiān)測反轉(zhuǎn)或動能減弱的跡象。

RSI持續(xù)在50以上，當前約68，顯示出持續(xù)的上漲參與，但接近超買區(qū)。MACD在信號線之上，正值直方圖擴張，確認上漲動能仍在。ROC略微正值（約1%），表明持續(xù)的上升變化率?？焖僬袷幤魈幱诰鎱^(qū)：隨機指標和威廉姆斯%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)。綜合評估為“看漲但已延伸”：保持上漲偏向，但需注意疲軟風險，建議收緊止損、縮減倉位或等待回調(diào)再加倉。

總結(jié)

QuantAgent是一個新型多智能體交易框架，結(jié)合經(jīng)典量化分析與語言模型推理，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專門智能體：指標智能體、模式智能體、趨勢智能體和風險智能體，利用結(jié)構(gòu)化提示和技術(shù)工具分析市場行為。智能體在LangGraph架構(gòu)中半自主運作，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)基于價格行為反映市場信息的理念，旨在實現(xiàn)高效、抗噪聲的決策。

在十種金融工具的實證評估中，QuantAgent在方向準確性和多種收益率指標上均優(yōu)于隨機基線。在波動市場條件下，系統(tǒng)通過模擬止損和收益閾值等現(xiàn)實交易約束保持穩(wěn)健。QuantAgent完全在零樣本設(shè)置下運行，無需監(jiān)督微調(diào)，展示了傳統(tǒng)量化交易與現(xiàn)代語言驅(qū)動推理的結(jié)合潛力。

限制和未來工作

QuantAgent在超短時間框架（1-15分鐘）上的預測精度較低，因價格序列受噪聲和快速狀態(tài)轉(zhuǎn)變影響，導致信號與噪聲難以區(qū)分。當前架構(gòu)不是實時的，推理周期涉及LLM調(diào)用和多個工具，延遲可能超過1分鐘的可交易窗口。改進方向包括簡化工具協(xié)調(diào)、緩存中間特征或?qū)㈥P(guān)鍵邏輯轉(zhuǎn)移到輕量級模型，以縮短延遲。

本文轉(zhuǎn)載自??靈度智能??