[論文レビュー] LLM-Powered Multi-Agent System for Automated Crypto Portfolio Management

Yichen Luo, Yebo Feng+3 more|arXiv (Cornell University)|Jan 1, 2025

Distributed and Parallel Computing Systems被引用数 3

ひとこと要約

この論文は、トップ30暗号資産とリアルタイムデータを用いた説明可能なマルチモーダル・マルチエージェントの暗号資産ポートフォリオ管理フレームワークを提案し、分類、資産価格付け、ポートフォリオ性能の各分野で単一エージェントLLMおよび市場ベンチマークを上回ることを示す。

ABSTRACT

Cryptocurrency investment is inherently difficult due to its shorter history compared to traditional assets, the need to integrate vast amounts of data from various modalities, and the requirement for complex reasoning. While deep learning approaches have been applied to address these challenges, their black-box nature raises concerns about trust and explainability. Recently, large language models (LLMs) have shown promise in financial applications due to their ability to understand multi-modal data and generate explainable decisions. However, single LLM faces limitations in complex, comprehensive tasks such as asset investment. These limitations are even more pronounced in cryptocurrency investment, where LLMs have less domain-specific knowledge in their training corpora. To overcome these challenges, we propose an explainable, multi-modal, multi-agent framework for cryptocurrency investment. Our framework uses specialized agents that collaborate within and across teams to handle subtasks such as data analysis, literature integration, and investment decision-making for the top 30 cryptocurrencies by market capitalization. The expert training module fine-tunes agents using multi-modal historical data and professional investment literature, while the multi-agent investment module employs real-time data to make informed cryptocurrency investment decisions. Unique intrateam and interteam collaboration mechanisms enhance prediction accuracy by adjusting final predictions based on confidence levels within agent teams and facilitating information sharing between teams. Empirical evaluation using data from November 2023 to September 2024 demonstrates that our framework outperforms single-agent models and market benchmarks in classification, asset pricing, portfolio, and explainability performance.

研究の動機と目的

• 価格形成の証拠が限られ・マルチモーダルデータが必要で複雑な推論が求められるという暗号資産投資の課題に対応する。
• データ分析、文献知識、投資意思決定を統合する説明可能なマルチエージェントシステムを開発する。
• 実データ（2023年6月〜2024年9月）を用いて、分類、資産価格付け、ポートフォリオ性能をベースラインより改善したことを示す。
• チーム内外の協力を可能にし、予測精度と説明可能性を向上させる。

提案手法

• データ、文献、市場、暗号チームに対して専門エージェントへ投資タスクを分解し割り当てる。
• エキスパート訓練モジュールを用いてエージェントをマルチモーダル歴史データと専門文献で微調整し、説明チームを通じて高品質な訓練プロンプトを生成する。
• 二つのモジュールからなるフレームワークを実装する：エキスパート訓練（データ・文献処理、プロンプト生成、微調整）とマルチエージェント投資（リアルタイムデータ、市場/暗号/取引チーム）。
• 同等系の信頼度（対数確率）によるインターナルエンストリームのアンサンブルで最終予測を形成し、チーム間のメモリ共有を用いて暗号意思決定を強化する。
• アンサンブルのrise確概率に基づき五分位の暗号ポートフォリオを形成し、Very High五分位を投資対象とする；ベンチマーク（1/N、Nasdaq Crypto Index、BTC）と比較する。
• 分類精度、資産価格付け（五分位ベースのファクターを用いる）・ポートフォリオ性能・説明可能性の指標を三つのベースラインで評価する。

実験結果

リサーチクエスチョン

• RQ1 マルチエージェント・マルチモーダルLLMフレームワークは、暗号資産投資タスクにおいて単一エージェントLLMを上回ることができるのか？
• RQ2 intrateam および interteam の協力メカニズムは予測精度と説明可能性にどう影響するか？
• RQ3 フレームワークは二値の価格動向予測を、信頼度ベースの資産価格付けとポートフォリオ構築指標へ転換できるか？
• RQ4 過去データと文献での微調整は、トップ30暗号資産の説明可能性と予測性能を改善するか？

主な発見

Subtask	Expert Agent	Single GPT-4o without fine-tuning	Single GPT-4o with fine-tuning	Multi-agent framework (Ours)
Crypto Prediction (§3.1.2)	Crypto Factor	0.5145	0.0239	0.5111	0.5177
Crypto Prediction (§3.1.2)	Technical	0.4637	-0.0312	0.4906	0.5118
Crypto Prediction (§3.1.2)	Collaboration	0.4834	-0.0341	0.5133	0.5248
Market Prediction (§3.1.1)	Market Factor	0.5814	0.1612	0.5581	0.5814
Market Prediction (§3.1.1)	News	0.4651	-0.0831	0.5814	0.5581
Market Prediction (§3.1.1)	Collaboration	0.5116	0.0217	0.5581	0.5814

• マルチエージェントフレームワークは、評価タスク全般において単一エージェントモデルを分類・資産価格付け・ポートフォリオ性能の面で上回る。
• 暗号資産タスクの中で、協力とアンサンブル機構はベースラインと比べて精度とMCCが高い。
• rise確率に基づく五分位でのポートフォリオ構築はVery Highポートフォリオを特定し、投資目標と一致しベンチマークを上回る。
• 説明可能性が向上し、評価指標は専門的・客観的・首尾一貫した説明の質の向上を示す。
• 実証結果は市場および暗号予測タスクの分類精度とMCCにおいて、未調整および調整済みの単一エージェントベースラインよりも性能が向上している。