QuantAgent: Preisgesteuerte Multi-Agenten-LLMs für Hochfrequenzhandel

QuantAgent: Price-Driven Multi-Agent LLMs for High-Frequency Trading

September 12, 2025

papers.authors: Fei Xiong, Xiang Zhang, Aosong Feng, Siqi Sun, Chenyu You

cs.AI

papers.abstract

Jüngste Fortschritte bei Large Language Models (LLMs) haben beeindruckende Fähigkeiten im Bereich des finanziellen Denkens und Marktverständnisses demonstriert. Multi-Agenten-LLM-Frameworks wie TradingAgent und FINMEM erweitern diese Modelle für langfristige Investitionsaufgaben, indem sie fundamentale und sentimentbasierte Eingaben für strategische Entscheidungsfindung nutzen. Solche Systeme sind jedoch für die hochgeschwindigkeits- und präzisionskritischen Anforderungen des Hochfrequenzhandels (High-Frequency Trading, HFT) ungeeignet. HFT erfordert schnelle, risikobewusste Entscheidungen basierend auf strukturierten, kurzfristigen Signalen, einschließlich technischer Indikatoren, Chartmuster und trendbasierter Merkmale, die sich von der langfristigen semantischen Argumentation traditioneller finanzieller LLM-Anwendungen unterscheiden. Zu diesem Zweck stellen wir QuantAgent vor, das erste Multi-Agenten-LLM-Framework, das speziell für den hochfrequenten algorithmischen Handel entwickelt wurde. Das System zerlegt den Handel in vier spezialisierte Agenten: Indicator, Pattern, Trend und Risk, die jeweils mit domänenspezifischen Werkzeugen und strukturierten Argumentationsfähigkeiten ausgestattet sind, um unterschiedliche Aspekte der Marktdynamik in kurzen Zeitfenstern zu erfassen. In Zero-Shot-Evaluierungen über zehn Finanzinstrumente, einschließlich Bitcoin und Nasdaq-Futures, zeigt QuantAgent eine überlegene Leistung sowohl in der Vorhersagegenauigkeit als auch im kumulativen Ertrag über 4-stündige Handelsintervalle und übertrifft dabei starke neuronale und regelbasierte Baselines. Unsere Ergebnisse deuten darauf hin, dass die Kombination von strukturierten finanziellen Vorannahmen mit sprachnativer Argumentation neues Potenzial für nachvollziehbare, Echtzeit-Entscheidungssysteme in hochfrequenten Finanzmärkten erschließt.

English

Recent advances in Large Language Models (LLMs) have demonstrated impressive capabilities in financial reasoning and market understanding. Multi-agent LLM frameworks such as TradingAgent and FINMEM augment these models to long-horizon investment tasks, leveraging fundamental and sentiment-based inputs for strategic decision-making. However, such systems are ill-suited for the high-speed, precision-critical demands of High-Frequency Trading (HFT). HFT requires rapid, risk-aware decisions based on structured, short-horizon signals, including technical indicators, chart patterns, and trend-based features, distinct from the long-term semantic reasoning typical of traditional financial LLM applications. To this end, we introduce QuantAgent, the first multi-agent LLM framework explicitly designed for high-frequency algorithmic trading. The system decomposes trading into four specialized agents, Indicator, Pattern, Trend, and Risk, each equipped with domain-specific tools and structured reasoning capabilities to capture distinct aspects of market dynamics over short temporal windows. In zero-shot evaluations across ten financial instruments, including Bitcoin and Nasdaq futures, QuantAgent demonstrates superior performance in both predictive accuracy and cumulative return over 4-hour trading intervals, outperforming strong neural and rule-based baselines. Our findings suggest that combining structured financial priors with language-native reasoning unlocks new potential for traceable, real-time decision systems in high-frequency financial markets.