QuantAgent: Многоагентные языковые модели с ценовым управлением для высокочастотной торговли

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

September 12, 2025

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

cs.AI

Аннотация

Последние достижения в области больших языковых моделей (LLM) продемонстрировали впечатляющие способности в финансовом анализе и понимании рынка. Многоагентные LLM-фреймворки, такие как TradingAgent и FINMEM, расширяют возможности этих моделей для задач долгосрочного инвестирования, используя фундаментальные и сентимент-ориентированные данные для стратегического принятия решений. Однако такие системы плохо подходят для высокоскоростных и требующих высокой точности задач высокочастотной торговли (HFT). HFT требует быстрых, учитывающих риски решений, основанных на структурированных, краткосрочных сигналах, включая технические индикаторы, графические паттерны и трендовые характеристики, что отличается от долгосрочного семантического анализа, характерного для традиционных финансовых приложений LLM. В связи с этим мы представляем QuantAgent — первый многоагентный LLM-фреймворк, специально разработанный для высокочастотного алгоритмического трейдинга. Система разделяет торговлю на четыре специализированных агента: Индикатор, Паттерн, Тренд и Риск, каждый из которых оснащён инструментами, специфичными для своей области, и возможностями структурированного анализа для учета различных аспектов рыночной динамики в краткосрочных временных окнах. В нуль-шотовых оценках на десяти финансовых инструментах, включая биткоин и фьючерсы на Nasdaq, QuantAgent демонстрирует превосходную производительность как в точности прогнозирования, так и в совокупной доходности за 4-часовые интервалы торговли, превосходя сильные нейронные и основанные на правилах базовые модели. Наши результаты показывают, что сочетание структурированных финансовых априорных знаний с языковым анализом открывает новые возможности для создания отслеживаемых систем принятия решений в режиме реального времени на высокочастотных финансовых рынках.

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.