FinVision：专为金融交易设计的多智能体股市预测框架

金融交易整合多种数据形式，传统深度学习和强化学习方法对数据量要求高，限制了解释性。LLM（大语言模型）代理在处理多模态数据和复杂决策任务上表现出色，能提供思维过程的洞察。本研究提出了一种专为金融交易设计的多模态多代理系统，利用多个专门的LLM代理处理文本新闻、蜡烛图和交易信号图等数据。反思模块分析历史交易信号及其结果，提升未来交易决策能力。消融研究表明，视觉反思模块对增强决策能力至关重要。

程序员笑武

1246人浏览 · 2024-11-26 20:00:01

程序员笑武 · 2024-11-26 20:00:01 发布

“FinVision: A Multi-Agent Framework for Stock Market Prediction”

金融市场的复杂性和波动性使得交易和市场预测面临挑战，需综合多种信息并采用先进算法。传统深度学习和强化学习方法对数据量要求高，限制了解释性。

本研究提出了一种专为金融交易设计的多模态多代理系统，利用多个专门的LLM代理处理文本新闻、蜡烛图和交易信号图等数据。表现优于传统规则和强化学习模型。

在这里插入图片描述

论文地址：https://arxiv.org/pdf/2411.08899

摘要

简介

金融市场的复杂性和波动性使得交易和市场预测面临挑战，需综合多种信息并采用先进算法。交易系统已从基于规则的策略发展到深度学习和强化学习模型，但仍面临数据需求、数据类型简化和决策过程缺乏可解释性的问题。整合多样化金融数据（如文本新闻和历史价格数据）存在挑战，过度简化可能导致信息损失或误解。

大型语言模型（LLMs）的进步使其能够执行复杂的多步骤决策任务，研究者通过将任务分解为子任务来提升解决能力。采用链式思维（CoT）提示增强了模型的可解释性，便于理解决策过程并优化模型设计。多模态LLMs（如GPT-4V）结合文本和视觉数据，提升了在金融领域的应用潜力。LLM在股票预测中的应用逐渐演变，现有研究主要集中在预训练和指令调优方法。

本研究基于FinAgent框架，缩短训练时间并引入按投资组合百分比预测交易头寸的决策过程，以改善风险管理和资本配置。框架包含四个主要模块：摘要模块、技术分析模块、反思模块、预测模块。

摘要模块将大量新闻数据浓缩为简明摘要，突出影响股票交易的事实信息。
技术分析模块利用LLM的视觉推理能力分析蜡烛图和技术指标，为次日交易策略提供解读。
反思模块评估过去交易的短期和中期表现，并生成交易信号图表和效果分析。
预测代理整合各模块信息，预测交易行动、确定仓位大小，并提供决策解释。奖励代理根据预测输出执行交易并计算绩效指标，反思和预测代理在后续迭代中使用这些指标。

在对苹果、亚马逊和微软的七个月评估中，框架表现优于传统规则和强化学习模型，但仍低于FinAgent基准。交易信号分析显示多种数据源的综合整合，反思模块对整体表现贡献显著。

相关工作

大型语言模型（LLMs）在自然语言处理（NLP）任务中表现出色，尤其在金融领域的情感分析中，通过指令微调超越了以往的模型。研究较少探讨LLMs在股票市场预测和次日交易中的应用，尽管使用历史价格和新闻进行预测，但因金融数据的多模态特性和多步推理需求，LLMs初期表现不佳。一项研究分析了GPT-4和ChatGPT提取的情感与股价变动的相关性；另一项研究则对LLaMA模型进行了指令微调以进行股票市场预测。微调需要大量标注数据，且结果缺乏可解释性，给模型的改进带来挑战。

LLM代理通过多步骤推理和互动提升了系统的认知能力，采用多代理框架（如MAD和ReConcile）增强推理和事实性。FinMem引入了带记忆机制的LLM交易代理，但缺乏视觉推理能力。FinAgent是一个多模态LLM交易代理，具备市场智能和反思模块，但训练周期长达一年，且未考虑风险管理。本研究旨在通过多模态多代理LLM框架，缩短训练周期至两个月，并将风险管理纳入交易任务中。

方法

摘要模块

摘要模块从新闻文本中生成特定股票的简明信息摘要。公式描述了如何利用前一天的新闻文本生成摘要。𝑠 表示指定股票，𝑆 是新闻文本输入，𝑋 1 𝑠 𝑡 − 1 是生成的摘要。该方法用于金融分析，提炼前一天的新闻信息。

技术分析模块

技术分析模块从历史价格数据和技术指标图像中提取洞察。通过视觉能力的语言模型代理分析特定股票𝑠的蜡烛图和技术指标图像。生成的技术分析𝑋₂𝑠𝑡−1基于过去60天的数据，帮助识别模式、趋势和潜在信号。该模块补充了文本分析模块，为交易决策提供全面依据。

反思模块

反思模块分为两个部分，分析过去的交易表现和信号。

第一部分：通过语言模型代理（agent reflection1）生成过去L天的交易数据分析，提供短期和中期的交易表现洞察。

在这里插入图片描述

第二部分：通过视觉代理（agent reflection2）分析过去30天的交易信号的可视化数据，提供信号模式及其有效性的反馈。

最终决策模块

最终决策模块通过整合新闻摘要、技术分析和反思结果生成交易建议。决策过程公式化为：

在这里插入图片描述

涉及多个变量和模块的输出。输出包括推荐行动（买、卖、持有）、仓位大小（1到10）和详细解释。该方法确保交易决策受益于所有模块的综合分析。

实现细节

多智能体系统使用LangGraph库构建有向图结构，每个节点对应一个专门的智能体。StateGraph类定义智能体间的依赖关系并管理信息流。除最终决策智能体外，其他智能体使用GPT-4o-mini模型，温度设置为0.3，确保输出一致性。Chart Agent和部分Reflection Agent利用模型的视觉能力分析蜡烛图、技术指标和交易信号图像。Prediction Agent使用o1-mini模型进行最终交易决策，温度设置为1。自定义AgentState类管理交易系统状态，封装相关交易信息。模块化设计便于智能体的调优或替换，同时保持多模态处理的一致性。

实验

数据收集

研究对象。苹果（AAPL）、亚马逊（AMZN）、微软（MSFT）三大科技股。

时间范围。2023年4月1日至12月29日，分为两个月的训练期（4月1日至5月31日）和七个月的测试期（6月1日至12月29日）。

数据集来源。Yahoo Finance的新闻文章、每日蜡烛图、技术指标和反射数据。

使用的技术指标。10日和50日简单移动平均线、14日相对强弱指数、20日布林带（2个标准差）、交易量、移动平均收敛发散指标（MACD）。

反射数据包括。交易信号图像和历史交易表现数据。

训练期的目的。生成足够的反射数据，为后续测试阶段提供强有力的历史输入。

评估指标

年化收益率（ARR）。衡量投资组合年增长。

夏普比率（SR）。评估风险调整后的收益，越高表示表现越好。

在这里插入图片描述

**最大回撤（MDD）。**衡量投资组合从历史高点的最大百分比下降，公式涉及累计收益和历史最高值。

基线模型

传统策略。实施三种策略：买入持有（B&H）、移动平均收敛发散（MACD）、KDJ与RSI过滤器结合。

强化学习模型。使用两种算法：近端策略优化（PPO）和深度Q网络（DQN）。

LLM基准。比较FinAgent，一个多模态基础代理，使用强化学习框架训练。

结果

框架表现。FinVision框架在AAPL、MSFT和AMZN三大科技股中表现优异，尤其在强劲牛市中展现出其交易策略的有效性。

比较表现：

AAPL：ARR 14.79%，Sharpe比率1.20，超越市场的13.56% ARR和0.67 Sharpe比率。
MSFT：ARR 25.57%，Sharpe比率1.41，优于市场的22.27% ARR和1.01 Sharpe比率。
AMZN：ARR 42.14%，虽略低于市场43.57% ARR，但Sharpe比率1.72和最大回撤12.09%均优于市场。

牛市表现。在牛市中，买入持有策略表现良好，框架的风险调整指标提升了其价值，显示出在强趋势市场中的风险管理能力。

优于RL模型。框架在所有评估股票中均优于基于强化学习的模型（如PPO和DQN），显示出更好的风险调整表现。

反思机制影响。消融研究表明，反思组件显著提升了框架性能，能够根据历史表现和市场条件调整策略。

多代理框架提供交易决策过程的详细可视化，展示了整合多种信息源的能力。2023年12月19日的例子中，技术指标显示苹果股票的看涨趋势，预测代理结合新闻信号和历史交易信号做出更细致的决策，结果准确。该框架的可解释性增强了决策过程的透明度，并优化了性能。框架能够建议头寸大小，增加风险管理层面，提供具体的投资比例建议，帮助控制风险暴露。结合可解释决策和动态头寸调整，框架在复杂市场条件下展现出适应性和风险意识的交易策略潜力。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述