QuantAgent: Modelos de Lenguaje Multiagente Basados en Precios para Operaciones de Alta Frecuencia

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

September 12, 2025

Autores: Fei Xiong, Xiang Zhang, Aosong Feng, Siqi Sun, Chenyu You

cs.AI

Resumen

Los recientes avances en los Modelos de Lenguaje de Gran Escala (LLMs, por sus siglas en inglés) han demostrado capacidades impresionantes en razonamiento financiero y comprensión de mercados. Los marcos de trabajo multiagente basados en LLMs, como TradingAgent y FINMEM, potencian estos modelos para tareas de inversión a largo plazo, aprovechando entradas fundamentales y basadas en sentimientos para la toma de decisiones estratégicas. Sin embargo, estos sistemas no son adecuados para las demandas de alta velocidad y precisión crítica del Trading de Alta Frecuencia (HFT, por sus siglas en inglés). El HFT requiere decisiones rápidas y conscientes del riesgo basadas en señales estructuradas y de corto plazo, como indicadores técnicos, patrones de gráficos y características basadas en tendencias, lo que difiere del razonamiento semántico a largo plazo típico de las aplicaciones tradicionales de LLMs en finanzas. Con este fin, presentamos QuantAgent, el primer marco de trabajo multiagente basado en LLMs diseñado explícitamente para el trading algorítmico de alta frecuencia. El sistema descompone el trading en cuatro agentes especializados: Indicador, Patrón, Tendencia y Riesgo, cada uno equipado con herramientas específicas del dominio y capacidades de razonamiento estructurado para capturar distintos aspectos de la dinámica del mercado en ventanas temporales cortas. En evaluaciones zero-shot en diez instrumentos financieros, incluyendo Bitcoin y futuros del Nasdaq, QuantAgent demuestra un rendimiento superior tanto en precisión predictiva como en retorno acumulado durante intervalos de trading de 4 horas, superando a fuertes líneas base neuronales y basadas en reglas. Nuestros hallazgos sugieren que combinar conocimientos financieros estructurados con razonamiento nativo del lenguaje desbloquea un nuevo potencial para sistemas de decisión trazables y en tiempo real en mercados financieros de alta frecuencia.

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.