多智能体交易框架:AI如何模拟真实交易团队决策?

一个月内GitHub暴增7k星标的TradingAgents框架有何特别?本期节目揭秘这个由UC Berkeley和MIT学者开发的多智能体交易系统如何模拟真实交易团队协作。不同于传统金融大模型仅专注于NLP任务,TradingAgents通过结构化通讯协议让AI扮演分析师、研究员、交易员和风控等角色,实现『真理越辩越明』的决策机制。回测显示,该框架在Apple、Google等标的上年化收益提升30%,最大回撤仅2.11%。AI交易团队时代,人类金融专业人士将如何应对?


Table of Content

Flora: 量化好声音,睡前听一听!大家好!欢迎收听今天的量化好声音,我是Flora

Aaron: 我是Aaron

Flora: 今天我们要来聊一聊一个非常有趣的话题。如何用大语言模型来做一个,多智能体的金融交易框架

Aaron: 今天我们要介绍一个全网热搜的框架,叫TradingAgents,是不是听起来有点兴奋?这听起来就很硬核啊

Flora: Trading Agents 会交易的代理?

Aaron: 对, Trading Agents 最近一个月,它很火啊,在github上新增了7k的赞

Flora: 对,我看了一下github的历史 这个库是今年2月创建的,但最近一个月势头很猛啊 看上去是不是实现了什么技术上的突破?

Aaron: 也可能是因为它现在完全开源了

Flora: 这也就解释了为什么最近这么火了。 Aaron,在介绍这个框架之前,是不是先给大家介绍下 之前大语言模型在量化交易方面的进展?

好的。在这个模型出来之前,其实市场上已经有一些大模型做量化交易的例子了。

比如bloombergGPT, XuanYuan 2.0, PIXIU, FinGPT等等

这里面像bloombergGPT,XuanYuan 2.0, PIXIU,它们主要是金融语料相关的一些NLP任务

比如数据结构化处理、情绪分析、金融知识问答等等

不涉及到量化模型和交易

Flora: 所以,你还没有介绍的FinGPT,应该是一个量化交易模型了?

Aaron: 对 FinGPT可视为与交易相关的模型 它基于情绪分析自动生成交易信号 信号体现为买卖时点

Flora: 这个实际上就是听消息炒股了 我们前几天还做了一期节目 介绍了the crystal ball trading challenge 根据Victor Haghani等人的实证研究 看起来听消息炒股是不太聪明的样子啊

Aaron: 根据那个实验 就算你提前一天知道了消息 然后自己分析进行操作 最后还是反而会赔得更多 关键原因在于, 我们根据自己的认知来进行分析 常常会有很多误区,非常主观 我们自己得到的结论 就算是对的 也不见得就是世界的共识 所以,光知道消息不行 还得看看社交媒体上其它人的观点 而且还要从正反两方面看

Flora: 听到这里,我感觉好像明白什么了 Aaron,你今天要介绍的trading agents 是不是正好针对这些方面做了改进?

Aaron: 被你预判到了! 今天我们要介绍的这个框架啊 它其实是模拟了一个高水平的、真实的交易团队的这种协作 然后它里面有很多的 用大语言模型驱动的这种智能体,也就是Agent 每个智能体都有自己特定的角色,比如说 有做基本面分析的,有做情绪分析的 有做这种风险评估的 还有专门做交易的 它们会 通过这种 类似于辩论 来交换信息 最终结合历史数据来做出一个交易决策。

Flora: 作为一个技术派,我比较好奇 这些Agent里,应该也有做技术分析的吧? 就是看K线图指标那些

Aaron: 确实如此。还有看消息炒股的。 它有专门的分析新闻和社交媒体的Agent。

Flora: 这个虚拟团队,会有像真实团队一样的组织架构吗?

Aaron: 它就是一个真实的团队 这个团队里,有我们刚刚说的这些Agent 相当于最前端的分析师 他们搜集资料、清洗数据 包括生成一些技术指标

Flora: 在真实的团队中,分析师处在前线 他们搜集市场情报 然后交给团队的专家,也就是研究团队

Aaron: 正是如此 trading agents也模拟了这样一个团队 而且最有意思的是,它把研究团队分为两派 一派是乐观派,总认为现在是牛市 另一派则是悲观派,总把现在当成熊市

Flora: 确实有点东西 我知道,在真实的团队中 这两派其实很难共存 即使一个团队中有这样两派 也很难进行理性的讨论 常常是相互看不起 尽管理想状态是兼听则明 实际上是一拍两散

Aaron: 所以,这确实是人工智能带来的颠覆性机会 那我们继续介绍它的架构 这两派会分别出具买方证据和卖方证据 把这些证据交给交易员

Flora: 你这里说的交易员 应该还是系统中的Agent,而不是真实的交易员吧

Aaron: 对 没错没错没错 交易员会结合这两种意见 形成自己的交易建议 然后再交给风控团队

Flora: 不用说,这仍然是一些Agent

Aaron: 对,就是另外一些Agents 在最后面就是基金经理的角色了 所以,整个系统就是由一些 分工很细、很明确的Agent组成的 看起来,如果我们自己在本地搭建出这样一个系统 不仅可以节省成本,更重要的是 能获得更全面、综合、深入的思考 以及人类无法想像的思维速度!

Flora: 听上去确实是很赞的样子 那它的效果怎么样 有做过回测吗?

Aaron: 有的 这个框架实际上是Uc berkeley,MIT等几个大学的中国学者提出来的 他们进行了比较深入的研究 在apple, google和Amazon等标的上进行了回测 结论是年化收益会大幅提升近30%左右 而最大回撤非常惊人 在amazone上回撤最大,也只有2.11%

Flora: 这些数据确实是非常优秀了! 大家可以去github上面玩一玩,自己动手试一试 大模型做金融的 我们见过的也不少了 那你认为这个模型有什么优势之处?

Aaron: 之前的很多模型吧 它要么就是 只是专注在一个单一的任务上面 像做个分析呀 或者搜搜数据什么的 要么就是说 它没有去很好的模拟 真实的交易团队里面的这种复杂的互动

Flora: 对,交易不是一个人说了算,需要团队协作

Aaron: 所以这是这个项目最大的优势是它模拟了一个真实的交易团队 各个角色之间既分工、又协作,还会相互争吵

Flora: 所以这有点像之前比较流行的GPT里面 让多个分析师之间对话讨论 反复讨论、思辨,最后接近最正确的答案?

Aaron: 对,很有点真理越辩越明的意思。

Flora: 恩。这也让我想到一个问题 毕竟我们知道,大模型是生成模型 它会自己加戏,会有幻觉,会编故事 那这样的话,各个Agent之间的讨论,还能做到基于事实 基于逻辑推理, 确保严谨吗?

Aaron: 确实!如果让AI之间,用我们说话的这种自然语言沟通, 效率其实不高 而且信息传着传着 就容易跑偏 就像我们小时候玩那个 传话游戏 最后意思可能全拧了

Flora: 哈哈 对传话游戏那个比喻很形象 那这个TradingAgents是怎么解决这些问题的?

Aaron: 它是设计了一种结构化的通讯协议 这个是非常重要的 因为传统的这种基于自然语言的通讯, 它很容易出现问题,比如它会遗忘一些信息 或者说它会扭曲一些信息 特别是在这种复杂任务的情况下 那在trading agents中,智能体之间的交流 主要是 通过这种结构化的文档和图表 比如说 分析师团队他们会输出一个分析报告 然后这个报告里面会有一些 非常明确的这种指标和他的建议 交易员会根据这个分析报告 再输出一个决策的信号 同样也是有他的理由和证据 它们只有在辩论的时候 才会使用自然语言对话 所以整个这个通讯是非常高效的,也避免了这种信息的丢失

Flora: 所以既利用大语言模型的优势 又利用结构化数据来限制它的缺点 所以它的改进从原理上就是不证自明的了 好的!今天我们聊了这个Tradingagents 那么这一切对我们听众朋友来说 可能意味着什么呢

Aaron: 这里可能有一个值得我们再次思考的问题 当人工智能不再仅仅是一个个独立的分析工具 而是能够像人类团队一样 进行协作辩论 权衡利弊的时候 未来我们人类要怎么和这些 越来越聪明的AI同事一起工作 尤其是在金融这种高风险高回报 决策压力巨大的行业里 这种变化长远来看 会怎么改变我们对于专业知识 团队价值 甚至是角色过程的理解呢?

Flora: 这个问题可能值得我们个量化人都想一想 以上就是这期播客的全部内容了 非常感谢大家的收听 这里也提醒大家别忘了订阅我们的量化好声音

Aaron: 对的,如果你想了解更多的量化资讯或者想要学习量化,欢迎大家订阅Quantide Research platform 这在里,我们提供了百余篇优质的文章和研报策略复现,并配有相关资料和可运行代码的notebook文件

Flora: 此外,我们还开设有 量化24课和因子分析与机器学习策略 这两门课程 分别针对量化新手和专业的量化策略开发交易员,欢迎大家报名!

Aaron: 好的 那咱们下期再见啦

Flora: 拜拜