QuantAgent : Modèles de Langage Multi-Agents Pilotés par les Prix pour le Trading Haute Fréquence

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

Les récentes avancées dans les modèles de langage à grande échelle (LLMs) ont démontré des capacités impressionnantes en matière de raisonnement financier et de compréhension des marchés. Les frameworks multi-agents basés sur des LLMs, tels que TradingAgent et FINMEM, améliorent ces modèles pour des tâches d'investissement à long terme, en exploitant des données fondamentales et basées sur le sentiment pour la prise de décision stratégique. Cependant, ces systèmes sont mal adaptés aux exigences de haute vitesse et de précision critique du trading à haute fréquence (HFT). Le HFT nécessite des décisions rapides et conscientes du risque, basées sur des signaux structurés et à court terme, incluant des indicateurs techniques, des motifs graphiques et des caractéristiques basées sur les tendances, distincts du raisonnement sémantique à long terme typique des applications traditionnelles des LLMs en finance. À cette fin, nous introduisons QuantAgent, le premier framework multi-agent basé sur des LLMs explicitement conçu pour le trading algorithmique à haute fréquence. Le système décompose le trading en quatre agents spécialisés : Indicateur, Motif, Tendance et Risque, chacun équipé d'outils spécifiques au domaine et de capacités de raisonnement structuré pour capturer différents aspects de la dynamique des marchés sur de courtes fenêtres temporelles. Dans des évaluations en zero-shot sur dix instruments financiers, incluant le Bitcoin et les contrats à terme du Nasdaq, QuantAgent démontre une performance supérieure en termes de précision prédictive et de rendement cumulé sur des intervalles de trading de 4 heures, surpassant des bases de référence neuronales et basées sur des règles. Nos résultats suggèrent que la combinaison de connaissances financières structurées avec un raisonnement natif du langage ouvre de nouvelles perspectives pour des systèmes de décision traçables et en temps réel dans les marchés financiers à haute fréquence.

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.