QuantAgent：价格驱动的高频交易的智能体系统

技术分析认为历史价格数据是市场状况的直接反映。价格变动反映公司基本面、宏观事件、机构流动和市场情绪。大型语言模型（LLMs）在多步推理、工具使用、代码合成和可解释性方面表现出色，适合量化金融。

本文提出QuantAgent，首个针对高频算法交易的多智能体LLM框架，QuantAgent在十种金融工具（如比特币和纳斯达克期货）的零样本评估中，预测准确性优于随机预测基线，为高频金融市场的实时决策系统开辟了新潜力。

摘要

近期大型语言模型（LLMs）在金融推理和市场理解方面取得了显著进展，但不适合高频交易（HFT）的快速决策需求。HFT需要基于结构化短期信号（如技术指标、图表模式和趋势特征）进行快速、风险意识决策。本文提出QuantAgent，首个专为高频算法交易设计的多智能体LLM框架，分为四个专门智能体：指标智能体、模式智能体、趋势智能体和风险智能体。QuantAgent在十种金融工具（如比特币和纳斯达克期货）的零样本评估中，预测准确性优于随机预测基线。结合结构化金融先验与语言推理，QuantAgent为高频金融市场的实时决策系统开辟了新潜力。

简介

技术分析认为历史价格数据是市场状况的直接反映。价格变动反映公司基本面、宏观事件、机构流动和市场情绪。每个交易周期可用开盘、最高、最低和收盘价（OHLC）四个值总结。OHLC数据可用于识别趋势、反转、突破和动量变化。在有效市场假说下，资产价格迅速反映所有公开信息，因此OHLC数据足以进行短期预测。

大型语言模型（LLMs）在多步推理、工具使用、代码合成和可解释性方面表现出色，适合量化金融。现有LLM金融系统主要依赖文本输入，存在信号滞后和数据噪声问题。

本文提出QuantAgent，首个针对高频算法交易的多智能体LLM框架，分为四个专门智能体：指标智能体、模式智能体、趋势智能体和风险智能体。QuantAgent通过处理OHLC数据，生成技术指标、识别图形、评估趋势和综合风险，提供透明的交易决策。在商品、股票和加密货币市场的评估中，QuantAgent表现优异，特别是在股票市场，方向预测准确率高达80%。提供本地浏览器界面，增强用户交互和决策透明度，推动高频市场中的可解释和风险意识的LLM框架发展。

相关工作

金融决策智能体

QuantAgent基于LLM的智能体系统研究，专注于金融决策。FINMEM通过分层记忆整合多种时间信号，提升决策质量和可解释性。FINCON引入角色特定的智能体协作，针对长期预测和复杂策略。TradingAgents模拟机构交易桌的协作流程，强调信息丰富环境中的可解释性。这些系统与短期反应的情绪驱动模型（如MarketBERT和FinBERT）形成对比。

基于指标和模式的量化交易

量化交易系统早期依赖结构化数值指标（如价格趋势、波动性、动量）进行决策，Lo等（2000）研究表明某些非线性价格模式具有显著预测能力。后续研究揭示了这些方法的局限性，如过度强调单步准确性和研究者偏见，促使开发更强大的模式匹配技术以适应市场动态。动量策略利用过去赢家和输家的持续性。Elliott波理论和图表模式库旨在捕捉K线序列中的几何规律，机器视觉的进步使卷积神经网络在实时交易中实现自动识别。尽管这些方法具备可解释性和计算效率，但在波动或噪声环境中表现不佳。我们的LLM多智能体框架结合结构化技术信号与LLM的自适应推理能力，提高了动态高频市场的鲁棒性和适应性。

QuantAgent

QuantAgent结合传统高频量化交易与多智能体LLM系统，支持低延迟市场决策。该系统整合经典技术分析与结构化提示的LLM推理，具备模块化和可解释的金融智能。基于LangGraph构建，模拟机构交易桌的工作流程，四个专门智能体（指标智能体、模式智能体、趋势智能体和风险智能体）各自执行不同分析角色。

QuantAgent仅依赖价格衍生的市场信号，避免了外部文本源的延迟和噪声，符合有效市场假说。每个智能体关注短期市场动态的不同方面：数值指标、几何模式、方向动量和综合决策。

指标智能体

指标智能体是分析模块，将原始OHLC数据转化为结构化的量化信号，支持高频交易中的快速决策。该过程将价格元组映射到可解释的信号空间，帮助揭示市场动向和情绪变化。通过抽象低级价格数据为高级特征，指标智能体实现快速且可解释的后续推理。

指标智能体利用五种常用技术指标提取市场信号：相对强弱指数（RSI）、移动平均收敛发散指标（MACD）、变动率（RoC）、随机振荡器（STOCH）和威廉指标（WILLR）。MACD通过分析两条指数移动平均线（EMA）之间的差异来指示动量变化，快速EMA（N=12）和慢速EMA（N=26）计算出动量信号M_t。信号线S_t为MACD序列的9期EMA，M_t上穿S_t为看涨信号，下穿为看跌信号。

这些指标综合反映市场行为，从短期波动到长期动量趋势，提供及时的市场洞察，增强系统在高频交易中的响应能力。

模式智能体

模式智能体的优势：通过视觉和结构化的多模态推理，克服了指标智能体在价格运动停滞或进入新阶段时的局限性。

市场模式分析：模式智能体利用LLM绑定工具从原始价格数据生成简化的蜡烛图，自动检测价格运动的关键视觉特征，如高低点和转折区域。

模式匹配：将当前市场结构与详细描述的模式库进行比较，识别最相关的模式，帮助做出更明智的决策。

V型反转示例：模式智能体识别V型反转，通过评估价格在最低点前后的运动，反映人类分析师的解读方式。

模式解释：在高信心识别模式后，模式智能体生成易于理解的解释，帮助将复杂的视觉信号转化为可解读的市场行为总结。

趋势智能体

经典图表模式（如双底、旗形）需在明确趋势中评估，趋势智能体通过趋势动态结构化表示，帮助判断模式与趋势的一致性、潜在反转或横盘整理阶段。趋势智能体生成带注释的K线图，包含趋势通道，通过拟合的阻力线和支撑线捕捉价格轨迹，提供趋势方向、强度和突破区的视觉参考。

通过分析局部价格序列，趋势智能体提取近期高低点并使用OLS回归拟合阻力线和支撑线，计算平均斜率κ t，提供价格通道内的方向性估计。κ t的符号指示趋势方向，但市场噪音使得相似斜率在不同结构背景下可能产生不同含义。

趋势智能体通过几何线索分析趋势结构，识别上升通道、下降通道和三角压缩等模式，提供更丰富的市场信号。该智能体不仅推断方向，还评估方向偏见的信心和稳定性，增强决策的稳定性和信号一致性。

风险智能体

风险智能体旨在通过风险控制保护资本，结合指标智能体、模式智能体、趋势智能体的输出，形成统一的风险-收益框架。使用固定止损值ρ = 0.0005，计算基于上下文的盈利水平R = r · ρ（r ∈ [1.2, 1.8]）。每笔交易定义三个关键水平：止损、入场价和止盈。最终决策基于信号质量和预设风险暴露，确保高层次洞察转化为一致的风险意识行动。

决策智能体

决策智能体是决策和执行层，决定LONG或SHORT头寸，预测未来三根蜡烛的市场方向。接收来自指标智能体、模式智能体、趋势智能体的聚合信号，输出包括预测方向、简要理由和风险-收益比的交易决策。仅在大多数信号一致且有确认（如指标交叉、突破形成、价格与趋势边界交互）时才执行，过滤噪声和冲突输入。输出优化适用于高频交易，决策比传统规则系统更稳健和可解释。

实验

评估QuantAgent框架，交易决策自主生成，无需示范或监督微调。基于上游智能体的结构化推理，仅使用近期蜡烛图数据和基本上下文（资产类型、时间间隔）预测短期市场方向。生成清晰的交易建议和人类可读的解释，以便在现实环境中评估性能。实验旨在测试框架在数据有限、快速适应决策环境中的有效性。

基准构建和评估协议

构建基准数据集，包含多种金融资产的4小时OHLC蜡烛图数据。资产类别包括加密货币（如BTC/USD）、股票指数（如纳斯达克100期货、标普500期货）和商品（如黄金期货、原油期货）。每个资产收集5,000个历史蜡烛图，随机抽取100个评估段，每段包含100个连续蜡烛图，最后三个蜡烛图被保留以避免泄露未来市场结果。

系统生成结构化交易报告，包括方向预测（LONG或SHORT）、简要理由和风险-收益比。方向决策和风险-收益估计用于定量评估，基线比较使用随机策略。结果使用一致的指标进行评估，并在结果部分的表1中展示。

评估指标

定向精度评价

预测正确性通过比较LLM的方向性预测与未来市场走势的三根蜡烛图进行评估。

• LONG决策：后续三根蜡烛图收盘高于最后一个收盘价的数量计为正确命中（最多3个）。
• SHORT决策：后续三根蜡烛图收盘低于最后一个收盘价的数量计为正确命中（最多3个）。

准确率α计算公式为α = C / T，其中C为正确预测的蜡烛图数量，T为评估的蜡烛图总数。每个测试案例的得分范围为0到3，3/3表示完美的短期方向准确性。整体平均准确率通过同一样本组所有测试案例的平均值计算，类似于广泛应用于预测的平均方向准确性概念。

回报率（RoR）评估

评估交易结果基于多种收益率（RoR）估算器，旨在量化交易的盈利能力，通过比较入场价格与不同退出场景的相对收益或损失。Close-to-Close RoR（R_cc）通过比较预测窗口内最后蜡烛图的收盘价与初始收盘价，直接衡量短期价格变动。风险约束的基于回报的RoR R模拟通过模拟止损和止盈行为来管理风险，设定固定止损阈值ρ = 0.0005。

利用LLM生成的风险-回报比r = R/ρ确定止盈水平，反映真实交易条件。R_max和R_min分别表示在三根蜡烛内的最佳和最差回报率，形成潜在结果的有界范围。

所有评估在无超参数调优或提示工程的情况下进行，结果展示系统在波动资产上的泛化能力和可解释的风险管理交易洞察。

结果

我们的智能体基础LLM交易系统在八个市场上表现优于随机基线，包括原油、黄金、股指和比特币。准确率提升最大的是SPX（+23个百分点）、QQQ（+20 pp）和ES（+14 pp），即使在高效市场DJI也有提升（49.0%到51.0%）。预测准确性提高带来更强的收益，六个市场的收盘利润为正，SPX从小亏损转为盈利（–0.108到0.207），DJI从–0.096转为0.159。在相同的止损和止盈设置下，我们的方法降低风险并改善结果，QQQ和SPX的亏损转为盈利，原油的损失减半。模型在BTC等市场中捕捉更多上涨空间，同时限制下跌风险，最佳回报从1.115提升至1.232，最坏损失减小。

基于样本的验证精度

评估LLM短期预测一致性，使用100个随机样本的10个重叠测试窗口，整体准确率为80%。

• 成功卖出（索引0和3）：价格在熟悉的阻力位回落，动量指标转为负，验证了卖出决策。
• 成功买入（索引1, 4, 5, 6, 8, 9）：动量指标转为正，价格反弹或恢复，模式检测器和趋势分析一致，买入信号获利。
• 错失信号（索引2和7）：模型过于依赖图形模式和早期动量，忽视了价格在阻力位的疲软信号，导致错误买入。
• 改进方向：调整对图形模式和动量的权重，以提高预测准确性。

案例学习

趋势智能体分析最近的K线窗口，拟合出一个上升的价格通道，表明价格接近上边界（阻力），且远离下边界（支撑），显示出上升趋势。

报告中提到的三项总结：

• 阻力线：价格最近突破红色边界，且上升。
• 支撑线：价格远离平坦的蓝色支撑，暗示下行空间未测试。
• 价格行为：高点和低点持续上升，表明趋势向上。

综合评估为“看涨信号”，建议关注突破或回调入场。

指标分析：

• RSI：大部分值在50以上，近期约68.49，接近超买。
• MACD：MACD线在信号线之上，显示看涨动能，直方图为正。
• ROC：值为0.94，表明持续的上涨动能。
• 随机指标：%K和%D均在80以上，显示超买，可能面临调整。
• 威廉指标：大部分值在-20以上，进一步确认超买状态。

结论：整体看涨，但超买信号提示需谨慎，建议监测反转或动能减弱的迹象。

RSI持续在50以上，当前约68，显示出持续的上涨参与，但接近超买区。MACD在信号线之上，正值直方图扩张，确认上涨动能仍在。ROC略微正值（约1%），表明持续的上升变化率。快速振荡器处于警告区：随机指标和威廉姆斯%R均在超买区域（>80和>-20），显示上涨已被拉伸，可能面临回调。综合评估为“看涨但已延伸”：保持上涨偏向，但需注意疲软风险，建议收紧止损、缩减仓位或等待回调再加仓。

总结

QuantAgent是一个新型多智能体交易框架，结合经典量化分析与语言模型推理，适用于高频交易环境。该框架将交易决策流程分解为四个专门智能体：指标智能体、模式智能体、趋势智能体和风险智能体，利用结构化提示和技术工具分析市场行为。智能体在LangGraph架构中半自主运作，生成延迟感知的可解释交易建议，不依赖社交媒体或外部情绪信息。系统基于价格行为反映市场信息的理念，旨在实现高效、抗噪声的决策。

在十种金融工具的实证评估中，QuantAgent在方向准确性和多种收益率指标上均优于随机基线。在波动市场条件下，系统通过模拟止损和收益阈值等现实交易约束保持稳健。QuantAgent完全在零样本设置下运行，无需监督微调，展示了传统量化交易与现代语言驱动推理的结合潜力。

限制和未来工作

QuantAgent在超短时间框架（1-15分钟）上的预测精度较低，因价格序列受噪声和快速状态转变影响，导致信号与噪声难以区分。当前架构不是实时的，推理周期涉及LLM调用和多个工具，延迟可能超过1分钟的可交易窗口。改进方向包括简化工具协调、缓存中间特征或将关键逻辑转移到轻量级模型，以缩短延迟。

本文转载自​​灵度智能​​