StockAgent：基于LLM的多智能体股票交易框架

最新推荐文章于 2025-04-28 22:01:42 发布

AI大模型入门教程

最新推荐文章于 2025-04-28 22:01:42 发布

阅读量694

点赞数 13

文章标签：人工智能机器学习开源 transformer 大数据深度学习

本文链接：https://blog.youkuaiyun.com/Everly_/article/details/147140607

版权

“When AI Meets Finance (StockAgent): Large Language Model-based Stock Trading in Simulated Real-world Environments”

股票市场是一个复杂且波动的生态系统，受经济趋势、地缘政治事件和市场情绪等多种因素影响。理解市场机制和参与者之间的互动对制定稳健的投资策略至关重要，模拟人类情感和行为可以弥补传统数据分析的不足。

本研究提出StockAgent，一个基于LLM的多智能体股票交易框架，旨在模拟真实环境中的股票交易。该框架减少历史股票趋势对LLM先验知识的影响，使AI智能体能够探索多样的交易模式和偏好。

摘要

本文研究开发了名为StockAgent的多智能体AI系统，利用大型语言模型（LLMs）模拟投资者在真实股市中的交易行为。StockAgent评估外部因素（如宏观经济、政策变化、公司基本面和全球事件）对投资者交易的影响，分析交易行为和盈利效果。该系统避免了现有交易模拟系统中的测试集泄漏问题，确保模型不利用与测试数据相关的先前知识。实验结果显示关键外部因素对股市交易的影响，包括交易行为和股价波动规则。研究提供了基于LLM的投资建议和股票推荐的有价值见解。

简介

股票市场是一个复杂且波动的生态系统，受经济趋势、地缘政治事件和市场情绪等多种因素影响。数据驱动工具（如算法和模拟）对投资决策至关重要，常用的回测工具包括Zipline、Backtrader和PyAlgoTrade。机器学习技术（如Trading Gym）为投资决策提供了新途径，但历史数据分析的静态特性可能限制其有效性。

理解市场机制和参与者之间的互动对制定稳健的投资策略至关重要，模拟人类情感和行为可以弥补传统数据分析的不足。大型语言模型（LLMs）如GPT和Gemini在复杂的市场模拟中表现出色，能够模拟投资者行为和社会动态。研究问题包括：

\1) StockAgent的模拟结果是否可靠？

\2) LLM的固有倾向如何影响推荐和策略？

\3) StockAgent在不同情境下的交易行为如何受外部因素影响？

本研究提出StockAgent，一个基于LLM的多智能体股票交易框架，旨在探讨上述问题。StockAgent使用GPT和Gemini两种LLM，模拟多阶段交易过程。交易阶段包括：1) 预交易准备（利率和金融事件）；2) 交易会话（交易和账户更新）；3) 交易后（未来行动和策略分享）。

StockAgent的独特之处在于评估外部因素、资产数量和策略对交易的影响，并能调整参数。研究目标是开发一个能够模拟多种交易行为的智能体，以支持股票投资决策。该智能体可适应动态信息，推动金融AI智能体的发展。

背景和相关工作

股票仿真模型

计算金融利用Zipline和Backtrader等平台进行历史数据回测，评估交易算法的潜在表现。云解决方案如QuantConnect提供全球市场模拟，帮助用户在更广泛的市场环境中验证策略。Trading Gym专注于强化学习环境，适合利用机器学习优化交易策略。PyAlgoTrade和Alpaca简化策略开发和模拟交易，帮助交易者在不冒风险的情况下测试想法。

从回测到实际交易的过渡面临挑战，主要问题是过拟合，策略在历史数据上表现良好但在实时市场中表现不佳。许多策略未考虑市场情绪和流动性等关键因素，这对实际交易至关重要。尽管这些工具强大，交易者需谨慎确保策略在历史数据和实时市场中均能取得类似结果。

金融大语言模型

LLMs（大语言模型）正在改变金融分析和预测的方法，传统定量模型逐渐被其先进的经济文献处理能力取代。Alonso-Robisco和Carbó的研究表明，LLMs通过分析经济文献提升趋势预测的准确性。合规和风险管理领域利用LLMs检测文本风险，增强监管合规性和威胁管理。PIXIU的金融语言模型基于Llama，提供更优的财务报表评估。在算法交易中，LLMs通过改进情感分析和金融文本解读，提升交易算法的响应能力。LLMs通过先进的数据处理和解读能力，显著影响经济决策和市场动态。

行为金融学

行为金融学结合心理学和经济学研究投资者在金融市场的行为与决策过程，强调市场参与者并非完全理性。核心概念包括：

**有限理性：**投资者的理性受限于认知能力和信息获取。
**心理偏差：**如过度自信、损失厌恶和锚定效应影响投资决策。
**市场无效性：**投资者的非理性行为导致市场价格偏离内在价值，形成价格泡沫和崩溃。
**情绪影响：**恐惧和贪婪影响投资者决策。
**启发式决策：**投资者在复杂决策中依赖简单规则而非深入分析。

StockAgent架构设计

StockAgent是一个多智能体系统（MAS），用于模拟股票市场和投资者交易。主要模块包括投资智能体模块、交易模块和公告板模块。设计结构旨在防止智能体行为冲突，确保信息可用性。

投资智能体模块

投资智能体随机初始化资本、负债及四种个性（保守型、激进型、平衡型、成长型），研究个性对决策的影响。初始负债促使智能体进行盈利驱动的交易。

智能体需在贷款、交易、预测明日行动及分享BBS建议中做出决策，需考虑市场数据和BBS交流等信息。“秘书”角色纠正

智能体无效回应，防止不现实的行为（如超支）。

交易模块

智能体的买卖订单记录在订单簿中，使用字典数据结构管理。交易完成后，系统更新订单簿以反映交易情况。同时交易的智能体可能导致死锁，因此采用随机时钟页面置换算法。随机决策顺序的智能体可以避免并发争用，从而防止死锁。

公告牌系统（BBS）模块

我们的框架包含一个独特的BBS，允许智能体发布消息。每天结束时，智能体分享交易技巧，促进信息共享。旨在模拟真实环境，影响投资者决策。

StockAgent仿真设计

本研究通过多智能体系统（MAS）模拟股票交易，分析市场动态和智能体互动。AI智能体的决策受多种信息影响，进而影响市场波动性和流动性等指标。模拟基于NASDAQ和香港证券交易所的交易机制，选取美国市场的两只股票（匿名股票A和B）进行分析。股票A为已上市股票，股票B为正在进行IPO的新股，初始设置基于其财务报告。

初始假设和设置

在StockAgent交易模拟中，设定清晰的初始假设和设置至关重要，以确保模拟真实反映市场条件和行为。明确的初始配置可防止AI智能体行为不稳定或结果不可靠。通过设定AI智能体和市场环境的边界与能力，可以系统性地探索不同条件对交易结果的影响。

关键设置包括：

智能体初始假设
智能体初始化设置
市场初始化设置

StockAgent初始假设

StockAgent通过基本常识进行股票交易，以最大化资产和现金的总价值。
交易行为包括买、卖、持有（基本行为）和做多、做空（衍生行为）。
StockAgent能理解贷款、利率、股息和破产等财务设置，并根据最大化利润的目标进行相应操作。

StockAgent初始化设置

每个智能体有独特的性格特征，影响其交易风格。
初始资产随机分配在100,000到5,000,000货币单位之间，确保财富多样性。
智能体可借债，债务不超过资本价值，贷款价值比有上限。
每股交易费为0.005货币单位，最低交易费1货币单位，最高5.95货币单位。

市场初始化设置

模拟交易年：涵盖264个交易日，分为四个季度，每季度66个交易日。
存款利率：公司和个人的存款利率为0%。
个人贷款利率：
- 一个月贷款年利率2.7%
- 两个月贷款年利率3%
- 三个月贷款年利率3.3%

仿真流程

每个交易日，智能体在还款、检查和贷款决策后进行股票交易。交易分为三个阶段：预交易准备、交易会话和后交易程序。交易结束后，智能体预测明天的行动并在BBS上发布交易建议。

交易前准备

利息偿还：智能体在每月最后交易日（如22、44、66）以现金支付贷款利息，采用简单利息计算。
贷款偿还：贷款到期时，智能体需以现金偿还贷款。
破产处理：现金为负的智能体将进入破产程序，出售所有持有资产并退出交易。
特殊事件：特定交易日发生预定义的特殊事件，如准备金率降低和利率上调。
财务报告发布：A、B公司在第12、78、144、210天发布季度财务报告，所有智能体均会获知。
贷款决策：智能体决定是否贷款及贷款金额和期限。

交易日

随机生成交易序列，智能体按顺序进行交易。
智能体决定买卖或持有股票，设定交易价格和数量，订单在市场订单簿中匹配。
交易会在出价和要价一致时完成，交易价格在每个交易会结束时更新为最后交易价格。

交易后处理

明天的行动估计：智能体需根据当前信息估计明天的贷款、购买或销售行为。
交易技巧分享：智能体在BBS上匿名分享交易技巧，次日所有智能体可查看消息。

外部事件模拟设置

公司A和公司B在每季度末公布前一季度的财务状况。

第二年第一季度首个交易日，两公司公布前一年第四季度财务数据，政府降低准备金率，市场M1和M2上涨，贷款成本从6%降至4.5%。

第三年第一季度首个交易日，经济过热，政府加息并收缩资产负债表，市场流动性下降，贷款成本上升至5%。

第三年第一季度首个交易日，公司A预计第二年第四季度收入低于预期3%，公司B预计收入高于预期2%。

仿真中的财务分析

使用FCFF（折现自由现金流）估值法分析公司A和公司B的财务数据，包括收入表、资产负债表和现金流量表。

计算公式包括：

现金流在增长期的现值（公式1）

股权价值 = 总市场价值 - 债务现值（公式2）

每股理想IPO价格（公式3）

加权平均资本成本（WACC）计算（公式4）

WACC考虑了股本、债务等所有资本来源的税后成本。

资本资产定价模型（CAPM）用于计算股本成本（公式5）。

债务成本计算公式（公式6）涉及短期和长期债务、利率、调整因子及税率。

理想股价结论

表6和表7展示了公司A和B的理想股票价格，作为模拟的初始数据。财务分析提供了以下估值，可作为我们模拟的初始数据。

实验

智能体基于外部信息做出交易决策。

RQ1：使用StockAgent模拟交易行为并进行统计分析。
RQ2：分析两种不同LLM驱动的StockAgent的交易日志。
RQ3：在不同实验环境下模拟30轮交易，持续10天，展示所选LLM的内在倾向。

基础大模型

实验选择了两种广泛使用的LLM：Gemini和GPT，进行股票交易任务。

Gemini-Pro是Google DeepMind开发的多模态语言模型，具备先进的语言处理和计算效率，支持文本、图像、音频和视频输入。

GPT-3.5-Turbo是OpenAI的改进版GPT-3.5，优化了响应准确性和效率，支持最多4,096个输出标记，适用于多种语言任务。

仿真评估

模拟有效性：通过GPT和Gemini在相同条件下进行10天股票交易，收集交易日志，分析价格趋势、交易量和频率，以评估不同AI智能体的交易偏好。

LLM可靠性：研究不同LLM驱动的AI智能体在多轮模拟中的交易决策，分析其交易模式和结果，评估先前知识对决策可靠性的影响。

外部条件下的模拟股票交易：识别交易模式，分析交易行为的偏差，使用统计方法（如回归分析和ANOVA）评估行为偏差对投资表现的影响，并与基准进行比较。

仿真效果（RQ1）

价格运动相关性分析：在10天的模拟交易中，GPT和Gemini在股票A和B的价格运动上表现出不同的交易倾向，GPT更乐观，倾向于做多，而Gemini则更悲观，倾向于做空。

交易行为分析：GPT的交易量显著高于Gemini，但交易频率较低。GPT在股票B的交易决策更为谨慎，而Gemini则更频繁地进行交易。

AI智能体特征：通过聚类分析和T-SNE可视化，Gemini智能体的投资者特征相似，表现出较少的个体差异；而GPT智能体的样本分散，显示出更强的主观决策能力，较少跟随群体行为。

大语言模型可靠性（RQ2）

GPT和Gemini驱动的AI智能体在股票A和B的交易中表现出相似的价格变化趋势，但最终价格差距较大。Gemini智能体采取保守策略，波动性低，交易周期约450轮；GPT智能体则更激进，波动大，交易周期约1750轮。两者均显示股票A表现优于股票B，GPT智能体的最终价格更高，而Gemini智能体价格更稳定但较低。不同的LLM在市场行为理解上相似，但执行策略差异导致不同的交易结果。

模拟外部条件下的股票交易（RQ3）

实验使用Gemini-Pro模型进行消融研究，模拟30轮交易，分析不同环境下的交易行为。取消基准利率信息显著提升了Stock A的交易频率，AI智能体对贷款利率变化敏感。Stock B缺乏BBS信息导致价格低于理想估值，缺乏贷款利率使其在第23轮后价格上涨。

整体交易频率分析显示，去除BBS信息对Stock A和B影响较小，而去除利率变化显著提升Stock A的交易频率。缺乏利率信息使智能体对市场和公司表现更乐观，缺乏BBS讨论则使心理估值变得保守。在不同外部环境下，智能体的盈利能力分析显示，去除非首轮贷款使交易更保守，去除BBS分享导致谨慎交易。去除财务信息支持时，智能体的盈亏差距加大，市场竞争加剧。

讨论

主要发现及影响

不同的LLM（如GPT-3.5-Turbo和Gemini-Pro）导致AI智能体在交易行为上显著不同，GPT驱动的智能体交易频率较低但交易量较高，且在股票A上更为谨慎，而Gemini驱动的智能体在股票A和B上的交易频率相似，显示出更高的交易活跃度。

AI智能体在模拟中的群体交易行为存在差异，Gemini智能体表现出一致的群体行为，而GPT智能体则显示出更大的个体差异和主观决策能力，可能体现个性化投资策略。

外部因素显著影响AI智能体的交易行为，禁用某些功能使智能体更为保守，而取消利润报告和利率变动则可能使部分智能体从亏损转为盈利，缺乏财务信息支持则加大智能体间的盈亏差距，市场竞争加剧。

未来研究方向

未来工作方向包括：

进行更深入的技术分析，研究不同交易策略和技术指标（如移动平均线、相对强弱指数、布林带）。
在StockAgent系统中整合算法优化、高频交易、风险管理、市场情绪分析和数据可视化。

模块设计改进：

加强情绪分析模块，考虑外部环境和交易行为对其他交易者的影响。
增加可定制提示，提高系统的稳健性和可解释性。

开发股票市场模拟实验平台：

进行可定制的基于智能体的交易实验，扩展LLM种类、交易天数和交易者数量。
平台可根据特定交易所的规则进行调整，提供灵活的模拟环境。

研究LLM智能体的可靠性：

不同LLM智能体在相同市场环境下可能表现出不同的交易风格和决策行为。
尽管受外部因素影响，模型的内在交易倾向在单步交易中仍然明显，表明上下文学习对其基本市场方法影响有限。
未来需关注不同LLM能否可靠地作为交易者，尽管存在固有偏见。

总结

StockAgent是一个基于大型语言模型（LLM）的AI智能体框架，旨在模拟真实环境中的股票交易。该框架减少历史股票趋势对LLM先验知识的影响，使AI智能体能够探索多样的交易模式和偏好。研究发现，GPT和Gemini驱动的AI智能体在交易行为、群体倾向和对外部因素的反应上存在显著差异。这些观察为基于LLM的股票推荐和交易策略的可靠性研究提供了进一步的机会。