[论文解读] Toward Expert Investment Teams:A Multi-Agent LLM System with Fine-Grained Trading Tasks

Kunihiro Miyazaki, Takanobu Kawahara+2 more|arXiv (Cornell University)|Feb 26, 2026

Stock Market Forecasting Methods被引用 0

一句话总结

本文提出一个多代理 LLM 交易框架，使用细粒度、面向任务的提示，模拟真实投资工作流程，在日经 TOPIX 100 数据回测中相较粗粒度设计实现了风险调整后收益的提升。

ABSTRACT

The advancement of large language models (LLMs) has accelerated the development of autonomous financial trading systems. While mainstream approaches deploy multi-agent systems mimicking analyst and manager roles, they often rely on abstract instructions that overlook the intricacies of real-world workflows, which can lead to degraded inference performance and less transparent decision-making. Therefore, we propose a multi-agent LLM trading framework that explicitly decomposes investment analysis into fine-grained tasks, rather than providing coarse-grained instructions. We evaluate the proposed framework using Japanese stock data, including prices, financial statements, news, and macro information, under a leakage-controlled backtesting setting. Experimental results show that fine-grained task decomposition significantly improves risk-adjusted returns compared to conventional coarse-grained designs. Crucially, further analysis of intermediate agent outputs suggests that alignment between analytical outputs and downstream decision preferences is a critical driver of system performance. Moreover, we conduct standard portfolio optimization, exploiting low correlation with the stock index and the variance of each system's output. This approach achieves superior performance. These findings contribute to the design of agent structure and task configuration when applying LLM agents to trading systems in practical settings.

研究动机与目标

• 用以激励并评估相较于粗粒度提示，细粒度任务分解是否能提升基于 LLM 的交易性能。
• 通过将详细任务分配给专业代理，模拟真实世界的投资工作流程。
• 在回测中评估组合表现与中间代理输出的可解释性。
• 分析信息流与任务粒度对鲁棒交易信号的必要性。

提出的方法

• 提出一个自下而上的管理者–分析师多代理框架，包含七个专业代理（技术、量化、质化、新闻、行业、宏观、PM）。
• 对技术与量化代理实现使用预计算指标与度量的细粒度提示；与输入原始数据的粗粒度提示进行比较。
• 使用日本 TOPIX 100 的长短头寸、市场中性组合，月度再平衡，时间范围为 2023年9月到 2025年11月，推断使用 GPT-4o。
• 通过确保知识截断差距并仅使用决策点之前的数据来控制数据泄漏。
• 以夏普比率评估表现，并分析中间输出与跨代理的信息传播的质性结果。
• 包含消融实验以评估各代理对总体性能的贡献。

实验结果

研究问题

• RQ1 细粒度任务分解在多代理 LLM 交易系统中是否相较于粗粒度任务设置能提升风险调整收益（夏普比率）？
• RQ2 去除单个代理对性能有何影响，哪些代理在细粒度提示带来的收益中起主导作用？
• RQ3 信息传播与可解释性在分层 LLM 代理交易框架的性能中起到怎样的作用？
• RQ4 该框架能否在真实数据源（价格、财务报表、新闻、宏观数据）下进行无泄漏的回测验证？

主要发现

• 在回测中，细粒度任务分解在不同投资组合规模（20、30、40、50）下通常比粗粒度设计具有更高的夏普比率。
• 消融结果显示，技术代理在细粒度提示下的性能提升尤为重要。
• 新闻与宏观代理对表现有贡献，且在不同设置间存在细微差异；移除某些代理在某些配置下会造成性能下降，亦有时会带来改进。
• 语义分析表明，在细粒度提示下，低层输出与高层决策之间的对齐度更高，特别是对于技术代理。
• 在与市场指数的标准投资组合优化对比中，该系统实现了具有竞争力的表现。
• 分析中间文本与代理输出提升了交易框架的可解释性与可靠性。