[論文レビュー] TradingAgents: Multi-Agents LLM Financial Trading Framework

Yang Xiao, Edward W. Sun+2 more|arXiv (Cornell University)|Dec 28, 2024

Auction Theory and ApplicationsDecision Sciences被引用数 3

ひとこと要約

TradingAgentsは、実際の証券会社を模倣する多エージェントLLMフレームワークを導入し、ファンドメンバーやセンチメント分析、テクニカル分析、リスク管理分析の各専門的役割を担うLLM駆動エージェントを、構造的でハイブリッドな通信環境で協働させる。このフレームワークは、ベースラインと比較して、累積リターン、シャープレシオ、最大回帰率の面で顕著な向上を示し、優れたパフォーマンスを達成している。

ABSTRACT

Significant progress has been made in automated problem-solving using societies of agents powered by large language models (LLMs). In finance, efforts have largely focused on single-agent systems handling specific tasks or multi-agent frameworks independently gathering data. However, the multi-agent systems' potential to replicate real-world trading firms' collaborative dynamics remains underexplored. TradingAgents proposes a novel stock trading framework inspired by trading firms, featuring LLM-powered agents in specialized roles such as fundamental analysts, sentiment analysts, technical analysts, and traders with varied risk profiles. The framework includes Bull and Bear researcher agents assessing market conditions, a risk management team monitoring exposure, and traders synthesizing insights from debates and historical data to make informed decisions. By simulating a dynamic, collaborative trading environment, this framework aims to improve trading performance. Detailed architecture and extensive experiments reveal its superiority over baseline models, with notable improvements in cumulative returns, Sharpe ratio, and maximum drawdown, highlighting the potential of multi-agent LLM frameworks in financial trading. TradingAgents is available at https://github.com/TauricResearch/TradingAgents.

研究の動機と目的

• 既存の金融分野向け多エージェントLLMシステムにおける現実的組織モデルの欠如に応えるために、実際の証券会社の構造的役割と業務フローを模倣すること。
• 多エージェントシステムにおける非効率な通信を是正するため、構造的出力と自然言語対話の組み合わせにより、文脈の損失を低減し、推論の整合性を向上させること。
• 証明と歴史的データを根拠にしたエージェント間の議論を支援することで、アルゴリズム取引における意思決定の透明性と説明可能性を高めること。
• 累積リターン、シャープレシオ、最大回帰率といった包括的な金融指標を用いて、ベースラインと比較してフレームワークのパフォーマンスを評価すること。

提案手法

• 専門的役割を担うLLMエージェント（ファンドメンバーエージェント、センチメント分析エージェント、テクニカル分析エージェント、トレーダーエージェント）を導入し、それぞれが金融データの特定分野を分析する責任を負う。
• ボブルとベアリサーチャーエージェントが市場状況について議論し、アマゾン（AMZN）などの資産について、テクニカルインジケーターとセンチメントデータを統合したバランスの取れた視点を提供する。
• リスク管理チームがポートフォリオのリスク曝露を監視し、事前に定義されたリスク閾値に準拠するよう制御を実施する。
• 通信はハイブリッドインターフェースを介して行われる：構造的出力（例：JSONに類似した推論ログ）により明確さと追跡可能性が確保され、自然言語対話により柔軟な議論と文脈的推論が可能になる。
• エージェントの意思決定を支援するために、歴史的データ、リアルタイムインジケーター（例：RSI、MACD、ATR）、センチメントスコアを統合する。
• 最終的な投資意思決定はファンドマネージャーエージェントが全エージェントの入力を統合し、バランスの取れた根拠に基づいた取引推奨を発出する。

Figure 1: TradingAgents Overall Framework Organization. I. Analysts Team : Four analysts concurrently gather relevant market information. II. Research Team : The team discusses and evaluates the collected data. III. Trader : Based on the researchers’ analysis, the trader makes the trading decision.

実験結果

リサーチクエスチョン

• RQ1 実際の証券会社の組織的構造を模倣する多エージェントLLMフレームワークは、単一エージェントまたは緩い連携のエージェントシステムと比較して、金融取引において優れたパフォーマンスを示せるか？
• RQ2 構造的推論と自然言語対話の組み合わせは、多エージェント金融システムにおける意思決定の正確性を向上させるとともに、文脈の劣化を低減するか？
• RQ3 ボリッシュとベアッシュの視点を有するエージェント間の協働的議論は、どれほどより強固でバランスの取れた投資意思決定をもたらすか？
• RQ4 リスク管理エージェントの統合は、回帰率の制御とリスク調整リターンという観点から、ポートフォリオパフォーマンスにどのように影響を与えるか？
• RQ5 説明可能で根拠に基づいた推論を維持しながら、ベースラインモデルと比較してより高い累積リターンとシャープレシオを達成できるか？

主な発見

• TradingAgentsフレームワークは、累積リターンにおいてベースラインモデルを顕著に上回り、歴史的市場データ上での利益生成能力の向上が明確に示された。
• システムはベースラインを上回るシャープレシオを達成しており、効果的なリスク管理と多様化された意思決定により、リスク調整リターンが向上していることが示された。
• 最大回帰率はベースラインモデルと比較して低減されており、前もってリスクを監視する仕組みのおかげで、市場の下落時におけるフレームワークの回復力が強化されていることが裏付けられた。
• 構造的出力と自然言語議論を組み合わせたハイブリッド通信メカニズムは、長時間にわたる相互作用においても文脈を効果的に保持し、情報損失を低減している。
• ファンドマネージャーエージェントは、ボブルとベアリエージェントによるバランスの取れた分析とリスク制御の検証が行われた場合、Apple（AAPL）のような強固な基本的要因を持つ銘柄に対して一貫して「買い」を推奨する。
• フレームワークの協働的で多役割の設計により、より洗練され、説明可能な投資意思決定が可能となり、監査可能性と信頼性を支える透明な推論トレースが得られた。

Figure 2: TradingAgents Analyst Team