QuantAgent: Prijsgestuurde Multi-Agent LLM's voor Hoogfrequente Handel

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

September 12, 2025

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

cs.AI

Samenvatting

Recente ontwikkelingen in Large Language Models (LLMs) hebben indrukwekkende mogelijkheden getoond op het gebied van financieel redeneren en marktbegrip. Multi-agent LLM-frameworks zoals TradingAgent en FINMEM verbeteren deze modellen voor langetermijninvesterings taken, waarbij ze gebruikmaken van fundamentele en sentiment-gebaseerde inputs voor strategische besluitvorming. Dergelijke systemen zijn echter niet geschikt voor de hoge snelheid en precisie die vereist zijn bij High-Frequency Trading (HFT). HFT vereist snelle, risicobewuste beslissingen op basis van gestructureerde, kortetermijnsignalen, zoals technische indicatoren, grafiekpatronen en trend-gebaseerde kenmerken, wat verschilt van het langetermijnsemantische redeneren dat typisch is voor traditionele financiële LLM-toepassingen. Daarom introduceren we QuantAgent, het eerste multi-agent LLM-framework dat expliciet is ontworpen voor high-frequency algoritmische handel. Het systeem verdeelt handel in vier gespecialiseerde agents: Indicator, Pattern, Trend en Risk, elk uitgerust met domeinspecifieke tools en gestructureerde redeneer capaciteiten om verschillende aspecten van marktdynamiek te vangen binnen korte tijdsvensters. In zero-shot evaluaties over tien financiële instrumenten, waaronder Bitcoin en Nasdaq futures, toont QuantAgent superieure prestaties in zowel voorspellende nauwkeurigheid als cumulatief rendement over 4-uur handelsintervallen, en overtreft het sterke neurale en regel-gebaseerde referentiemodellen. Onze bevindingen suggereren dat het combineren van gestructureerde financiële voorkennis met taal-gebaseerd redeneren nieuw potentieel ontsluit voor traceerbare, real-time beslissingssystemen in high-frequency financiële markten.

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.