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