[论文解读] Enhancing Anomaly Detection in Financial Markets with an LLM-based Multi-Agent Framework

Taejin Park|arXiv (Cornell University)|Mar 28, 2024

Complex Systems and Time Series Analysis被引用 6

一句话总结

本文提出一个基于 LLM 的多代理框架，用于验证和解释金融市场异常，在 S&P 500 数据上进行演示，旨在减少人工验证。

ABSTRACT

This paper introduces a Large Language Model (LLM)-based multi-agent framework designed to enhance anomaly detection within financial market data, tackling the longstanding challenge of manually verifying system-generated anomaly alerts. The framework harnesses a collaborative network of AI agents, each specialised in distinct functions including data conversion, expert analysis via web research, institutional knowledge utilization or cross-checking and report consolidation and management roles. By coordinating these agents towards a common objective, the framework provides a comprehensive and automated approach for validating and interpreting financial data anomalies. I analyse the S&P 500 index to demonstrate the framework's proficiency in enhancing the efficiency, accuracy and reduction of human intervention in financial market monitoring. The integration of AI's autonomous functionalities with established analytical methods not only underscores the framework's effectiveness in anomaly detection but also signals its broader applicability in supporting financial market monitoring.

研究动机与目标

• 激发并解决来自市场数据的异常提醒中人工验证瓶颈。
• 提出一个协作的多代理 AI 系统，用于验证、解释并整合异常发现。
• 用 S&P 500 时间序列演示该框架，以展示在效率和准确性方面的提升。
• 强调 AI 自主性如何完善市场监测中的传统分析方法。

提出的方法

• 将表格化的异常数据转换为 LLM 友好格式并附加元数据，以实现上下文丰富的处理。
• 部署专门的数据专家代理（网页研究、机构知识、交叉验证）以通过多源验证异常。
• 通过专用的报告代理将专家分析整合为摘要报告。
• 促进领域代理之间的管理层讨论，以推导战略建议。
• 提供面向人类的简报，最终决策由人类分析师做出。
• 使用多代理工作流将从检测到报告的异常验证自动化。

实验结果

研究问题

• RQ1 基于 LLM 的多代理系统如何改进对金融市场数据中检测到的异常的验证与解释？
• RQ2 在保留分析严谨性的同时，自治代理在多大程度上可以减少人工干预？
• RQ3 将该框架应用于具有历史异常的真实金融序列（如 S&P 500）时，其表现如何？

主要发现

• 该框架提升了异常验证的效率、准确性，并减少了人工干预。
• 在 S&P 500 上的应用中，该系统识别出显著离群点，并用历史事件来确认背景。
• 网页研究和机构知识代理为异常提供相证据。
• 交叉检查显示，先前标记为空值的某些数据实际上是数据变更，提升了数据完整性。
• 管理和摘要代理生成可供人工决策的综合评估。
• 该方法展示了在金融市场监测中更广泛适用性的潜力。