[論文レビュー] TradingGPT: Multi-Agent System with Layered Memory and Distinct Characters for Enhanced Financial Trading Performance

Yang Li, Yangyang Yu+3 more|arXiv (Cornell University)|Sep 7, 2023

Stock Market Forecasting Methods被引用数 9

ひとこと要約

TradingGPT は層状メモリと各エージェント用取引キャラクターを備えた多エージェントLLMフレームワークを提示し、エージェント間ディベートと多モーダルデータ統合を通じて自動金融取引の信頼性と適応性を向上させる。短期・中期・長期のメモリ層化とエージェント固有のリスクプロファイルを強調し、取引意思決定の堅牢性を高める。

ABSTRACT

Large Language Models (LLMs), prominently highlighted by the recent evolution in the Generative Pre-trained Transformers (GPT) series, have displayed significant prowess across various domains, such as aiding in healthcare diagnostics and curating analytical business reports. The efficacy of GPTs lies in their ability to decode human instructions, achieved through comprehensively processing historical inputs as an entirety within their memory system. Yet, the memory processing of GPTs does not precisely emulate the hierarchical nature of human memory. This can result in LLMs struggling to prioritize immediate and critical tasks efficiently. To bridge this gap, we introduce an innovative LLM multi-agent framework endowed with layered memories. We assert that this framework is well-suited for stock and fund trading, where the extraction of highly relevant insights from hierarchical financial data is imperative to inform trading decisions. Within this framework, one agent organizes memory into three distinct layers, each governed by a custom decay mechanism, aligning more closely with human cognitive processes. Agents can also engage in inter-agent debate. In financial trading contexts, LLMs serve as the decision core for trading agents, leveraging their layered memory system to integrate multi-source historical actions and market insights. This equips them to navigate financial changes, formulate strategies, and debate with peer agents about investment decisions. Another standout feature of our approach is to equip agents with individualized trading traits, enhancing memory diversity and decision robustness. These sophisticated designs boost the system's responsiveness to historical trades and real-time market signals, ensuring superior automated trading accuracy.

研究の動機と目的

• 金融における人間の認知構造を模倣したメモリ意識的な多エージェント取引システムの必要性を動機付ける。
• 株式・ファンド取引のための層状メモリ・キャラクター主導のLLM多エージェントフレームワークを提案する。
• 多様な視点を活用し意思決定を改善するためのエージェント間の通信とディベートを可能にする。
• タイムリーな取引行動のための多モーダルデータストリームとリアルタイム市場指標を組み込む。
• 従来の自動取引アプローチと比較して、構成要素を評価し潜在的な性能向上を示す。

提案手法

• ショート・ミドル・ロンゲストの三層メモリを維持するエージェントを備えた TradingGPT アーキテクチャを導入し、カスタムデケイとランキング指標を使用する。
• メモリの取得スコアを新しさ・関連性・重要度で定義し、層別閾値を設定する。
• 意思決定を多様化するためにエージェントごとに異なるリスク好みの取引キャラクターを組み込む。
• エージェント間ディベートを有効化し、トップメモリと所見を共有して意思決定を補強する。
• 価格・ニュース・保有情報などのリアルタイム多モーダルデータを FAISS ベクタデータベースに格納して認知と検索を支援する。
• GPT3.5 turbo 向けのプロンプト設計とバックボーンモデルの Ablation を計画した、単一エージェントおよび多エージェントフェーズを含む訓練・テストワークフローを概説する。

Figure 1: TradingGPT Data Warehouse.

実験結果

リサーチクエスチョン

• RQ1 層状メモリアーキテクチャは、LLMベースのエージェントにおける取引関連情報の優先順位付けと取得にどのような影響を与えるか。
• RQ2 エージェント固有の取引キャラクターは、マルチエージェント金融取引における堅牢性と意思決定の多様性にどのような影響を与えるか。
• RQ3 エージェント間ディベートと協働は、単一エージェントのベースラインと比較して取引性能を改善するか。
• RQ4 モーダルな金融データをLLM主導の取引フレームワークにどれだけ効果的に統合して意思決定に活かせるか。
• RQ5 同様のデータ条件の下で、TradingGPT は既存の自動取引戦略と比較してどの程度性能向上が見込めるか。

主な発見

• 提案された層状メモリ機構は、短期・中期・長期の記憶を横断してイベントを階層的に取得できる。
• エージェント間ディベートと多様なキャラクタープロファイルは、より豊かな洞察と堅牢な取引意思決定につながる。
• システムは多モーダルデータを統合し、メモリに基づく推論が日次および分単位の取引行動を導く。
• 訓練とテストのワークフローは、単一エージェント評価とエージェント間ディベートを組み合わせて現実的な協働を反映する。
• このフレームワークは、人間の認知ダイナミクスと市場変化への適応性を模倣することで、他の自動取引戦略を上回る潜在能力を示す。

Figure 2: TradingGPT training and test workflow.