QuantAgent: Agentes Multiagentes Baseados em Preços com LLMs para Negociação de Alta Frequência

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

Resumo

Avanços recentes em Modelos de Linguagem de Grande Escala (LLMs) têm demonstrado capacidades impressionantes em raciocínio financeiro e compreensão de mercado. Estruturas multiagente de LLMs, como TradingAgent e FINMEM, aprimoram esses modelos para tarefas de investimento de longo prazo, utilizando entradas fundamentais e baseadas em sentimento para tomadas de decisão estratégica. No entanto, tais sistemas são inadequados para as demandas de alta velocidade e precisão crítica do Comércio de Alta Frequência (HFT). O HFT requer decisões rápidas e conscientes do risco, baseadas em sinais estruturados de curto prazo, incluindo indicadores técnicos, padrões gráficos e características baseadas em tendências, distintos do raciocínio semântico de longo prazo típico das aplicações tradicionais de LLMs financeiros. Para isso, introduzimos o QuantAgent, a primeira estrutura multiagente de LLM explicitamente projetada para o comércio algorítmico de alta frequência. O sistema decompõe o comércio em quatro agentes especializados: Indicador, Padrão, Tendência e Risco, cada um equipado com ferramentas específicas do domínio e capacidades de raciocínio estruturado para capturar aspectos distintos da dinâmica do mercado em janelas temporais curtas. Em avaliações zero-shot em dez instrumentos financeiros, incluindo Bitcoin e futuros da Nasdaq, o QuantAgent demonstra desempenho superior tanto em precisão preditiva quanto em retorno cumulativo em intervalos de negociação de 4 horas, superando fortes linhas de base neurais e baseadas em regras. Nossos achados sugerem que a combinação de conhecimentos financeiros estruturados com raciocínio nativo da linguagem abre novo potencial para sistemas de decisão rastreáveis e em tempo real em mercados financeiros de alta frequência.

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.