TradingAgents: Multi-Agents LLM Financial Trading Framework
Created by
- Haebom
Category
Empty
저자
Yijia Xiao, Edward Sun, Di Luo, Wei Wang
개요
대규모 언어 모델(LLM) 기반 에이전트 사회를 이용한 자동화된 문제 해결에서 상당한 진전이 있었습니다. 금융 분야에서는 주로 특정 작업을 처리하는 단일 에이전트 시스템이나 데이터를 독립적으로 수집하는 다중 에이전트 프레임워크에 초점을 맞춰 왔습니다. 그러나 실제 거래 회사의 협업 역학을 복제하는 다중 에이전트 시스템의 잠재력은 아직 충분히 탐구되지 않았습니다. TradingAgents는 거래 회사에서 영감을 받은 새로운 주식 거래 프레임워크로, 기본 분석가, 감정 분석가, 기술 분석가, 다양한 위험 프로파일을 가진 거래자와 같이 전문화된 역할을 하는 LLM 기반 에이전트를 특징으로 합니다. 이 프레임워크에는 시장 상황을 평가하는 Bull 및 Bear 연구원 에이전트, 위험 노출을 모니터링하는 위험 관리 팀, 토론 및 과거 데이터에서 통찰력을 종합하여 정보에 입각한 결정을 내리는 거래자가 포함됩니다. 역동적이고 협업적인 거래 환경을 시뮬레이션함으로써 이 프레임워크는 거래 성과를 향상시키는 것을 목표로 합니다. 자세한 아키텍처와 광범위한 실험을 통해 기준 모델보다 우수함을 보여주며, 누적 수익률, 샤프 비율, 최대 손실률이 눈에 띄게 개선되어 금융 거래에서 다중 에이전트 LLM 프레임워크의 잠재력을 강조합니다. TradingAgents는 https://github.com/PioneerFintech 에서 사용할 수 있습니다.
시사점, 한계점
•
시사점:
◦
다중 에이전트 LLM 프레임워크가 금융 거래에서 우수한 성능을 달성할 수 있음을 보여줍니다.
◦
실제 거래 회사의 협업 역학을 모방하여 더욱 현실적인 거래 시뮬레이션을 제공합니다.
◦
누적 수익률, 샤프 비율, 최대 손실률을 개선하는 등 뛰어난 거래 성과를 달성했습니다.
◦
오픈소스로 공개되어 다른 연구자들이 활용할 수 있습니다.
•
한계점:
◦
시뮬레이션 환경의 현실성에 대한 추가적인 검증이 필요합니다.
◦
실제 시장에서의 성능은 시뮬레이션 결과와 다를 수 있습니다.
◦
LLM의 한계로 인해 예측의 정확도에 제한이 있을 수 있습니다.
◦
모델의 과적합 가능성 및 일반화 성능에 대한 추가 연구가 필요합니다.
