HedgeAgents：开启金融交易新纪元的平衡系统

“HedgeAgents: A Balanced-aware Multi-agent Financial Trading System”

项目主页：https://hedgeagents.github.io/

论文地址：https://arxiv.org/pdf/2502.13165

摘要

随着自动交易和算法投资策略在金融市场中的应用越来越广泛，这些技术在面对市场快速下滑和频繁波动的情况下暴露出显著的脆弱性，导致潜在的损失高达20%。为了应对这一挑战，一项新的解决方案被提出——HedgeAgents系统。这是一个采用“对冲”策略来提升稳定性的多代理体系结构。该系统由一位核心基金经理与多位针对不同金融资产领域的对冲专家构成，他们共同利用先进的大型语言模型（LLMs）来进行决策制定。

HedgeAgents通过三种不同的会议机制实现了高效的团队协作，确保了所有参与者之间的信息流畅与战略一致。这种创新的方法不仅提高了系统的抗风险能力，还实现了令人瞩目的财务成果：年化收益率达到了70%，并且在三年的时间里累计回报率达到了400%。这表明，HedgeAgents在投资表现上可以与人类专家相匹敌，为投资者提供了一种可靠且高效的投资工具。 

01简介

自动化交易如今已成为金融市场不可或缺的投资策略，通过采用尖端算法实现对市场趋势的实时追踪，从而加速决策过程并提升投资回报率，同时减少风险暴露。特别是在金融交易领域，人工智能技术，尤其是大型语言模型（LLMs），为投资者开辟了新的视野，使得大规模金融数据与新闻资讯的分析成为可能，并能够预测市场走向及撰写财务分析报告。然而，尽管这些模型在理论上表现优异，但在面对实际市场的波动时，它们的稳健性往往不足，尤其是在“快速下跌”的情况下，许多基础模型难以维持稳定，缺乏有效的风险管理措施。

本文提出了一种改进方案，即引入“对冲”理念来创建一个更为稳健的金融交易平台。这一平台基于一个多智能体系统架构，其中LLM处于核心位置。该系统的构建面临的主要挑战在于如何配置和协调对冲智能体。目前市场上的一些无约束智能体系统（例如FinAgent）只能达到次优效果。HedgeAgents作为一种多智能体对冲体系，包括一位基金经理和几位专注于股票、外汇以及比特币等不同领域的专家。每位专家负责其专业领域的分析工作，而基金经理则负责组织讨论、审查各专家的意见，并将之整合成统一的投资策略。借助于LLM的强大能力，HedgeAgents不仅积累了丰富的投资经验，而且在极端市场条件下也展现出了卓越的稳定性。数据显示，在过去的三年里，该系统实现了400%的累计收益，年均回报率为70%。

本研究首次尝试在一个多智能体环境中集成“对冲”概念，设计了一个由三位领域专家加上一位经理组成的对冲投资组合。实验结果证明，这种结构在各种评估指标上都取得了令人瞩目的成绩。这标志着向更加智能化、更具适应性的金融交易系统迈进的重要一步。

02相关工作

量化金融

量化金融利用数学与统计方法来应对复杂的金融挑战，其核心应用涵盖了金融衍生品的估值、投资组合的优化以及市场动态的分析等领域。通过引入机器学习技术，预测模型的能力得到了显著提升，这不仅增强了市场预测的精确度，也提高了算法交易的效率。随着金融市场持续演进，将定量技术融合进日常操作中变得尤为关键，这对于有效应对市场的不确定性具有不可忽视的重要性。因此，量化金融的方法论对于想要在变幻莫测的金融市场中保持竞争优势的投资者来说，已经成为了一种必不可少的工具。这种方法不仅促进了对市场深层次的理解，还为制定更加精准的投资策略提供了坚实的基础。

大模型代理

大型语言模型（LLM）在推进通用人工智能（AGI）的发展进程中扮演了关键角色，显著增强了智能代理的自主决策能力、反应灵敏度以及社交互动的能力。这些基于LLM的代理不仅能够进行自然流畅的语言交流，还能整合知识、记忆信息、进行逻辑推理，并制定战略规划以完成复杂的任务。尤其是在金融等行业中，这类基于LLM的代理系统展示了其潜力，为解决复杂问题提供了创新的方法和视角。通过利用LLM的强大功能，这些系统能够在高度动态和复杂的环境中提供有效的解决方案，从而开辟了新的可能性领域。

03HedgeAgents

预备知识

目的是通过采用对冲策略来优化收益并减少风险，该过程将金融数据，如价格变动和新闻资讯，作为分析的基础。基于这些输入信息，系统会生成相应的交易决策，并执行买卖操作。此方法适用于多个金融市场领域，包括比特币、股票以及外汇交易。这种方法旨在利用复杂的市场动态，通过精细的策略调整，在不同的资产类别中寻找最佳的风险回报平衡点。这样做不仅能够提高投资组合的整体表现，还能在面对市场不确定性时提供额外的保护层。

整体框架

HedgeAgents框架模仿了对冲基金的组织结构，旨在优化包含多种资产的投资组合中的风险对冲措施。该框架由四个角色组成：专注于比特币市场的分析师Dave、负责道琼斯指数分析的Bob、外汇市场专家Emily以及掌管全局的对冲基金经理Otto。为了确保团队协作的有效性，HedgeAgents设计了三种类型的多代理协调会议：首先是预算分配会议（BAC），用于规划和调整各资产类别的资金分配；其次是经验分享会议（ESC），让团队成员能够交流心得并总结投资经验；最后是极端市场会议（EMC），在市场出现剧烈波动时召开，以迅速制定应对策略和紧急行动方案1。通过这种结构化的合作方式，HedgeAgents不仅提升了决策的质量，也增强了整个系统在面对不确定市场条件时的适应性和稳定性。

单个代理的定义

单一的投资代理系统被设计来模仿人类的决策流程，整合了23种金融分析工具，涵盖从技术指标解析到加密货币市场的评估，再到风险控制等多种功能。该系统支持八种不同的操作类型，例如买入、卖出或持有等。其记忆体系分为三大类：基础市场信息的记忆、投资决策反思以及一般性的经验积累。整个工作流程包括三个关键步骤：记忆检索、决策制定和反思更新。

在记忆检索阶段，系统会通过总结查询的方式从记忆库中筛选出五个与当前情况相似的历史案例，以此来辅助和支持当前的决策过程。接下来，在决策制定环节，代理依赖过往的经验，并运用强化学习的方法不断优化整体收益，同时利用大型语言模型（LLM）生成符合当前市场状况的操作建议。

至于反思更新，则是将新获得的市场信息连同查询本身一并存储进基本市场信息记忆中；而在决策执行期间产生的任何反思见解以及实际采取的动作则会被记录到投资反思记忆里，以便未来参考和学习。这种方法不仅增强了系统的适应性和灵活性，还促进了长期的知识积累和策略优化。

至于反思更新，则是将新获得的市场信息连同查询本身一并存储进基本市场信息记忆中；而在决策执行期间产生的任何反思见解以及实际采取的动作则会被记录到投资反思记忆里，以便未来参考和学习。这种方法不仅增强了系统的适应性和灵活性，还促进了长期的知识积累和策略优化。

对冲代理的协作

预算分配会议每30天举行一次，期间比特币分析师Dave、股票分析师Bob以及外汇分析师Emily会向对冲基金经理Otto汇报各自的当前盈利状况和未来的预算需求。Otto将这些报告综合起来进行分析，以评估未来可能的收益，并通过考量预期总回报、整体投资组合的风险水平以及条件预期的最大回撤风险来优化资产配置策略。

经验分享会议则在每个投资周期结束后召开，三位分析师作为对冲代理参与其中，共同积累知识。每位成员都会分享一些具有代表性的案例，经过讨论后，将得出的见解记录下来，以此来强化未来的决策过程。这种机制有助于团队从过往的经验中学习，持续提升其投资策略的有效性。

极端市场会议会在市场波动度超过5%，或者连续三天累计波动超过10%的情况下紧急启动。在这种会议上，负责监控危机情况的代理需要详细介绍当前的投资组合状态、导致市场动荡的原因及其拟定的应对计划。其他与会者则根据自身经验和市场洞察提出建议，旨在优化应对策略，确保投资组合能够抵御市场的剧烈波动。

04实验

数据集

该数据集包含了比特币、外汇以及道琼斯指数成分股的详细信息，数据来源包括Yahoo Finance和Alpaca News API。涵盖了从2015年1月1日到2023年12月31日的时间段，提供了每个交易日的开盘价、最高价、最低价、收盘价、成交量以及调整后的收盘价。此外，对于每一种资产，数据集还包含了每日的新闻更新，并且提供了60种常用的技术分析指标，以便于进行深入的市场分析和研究。

换句话说，这一综合性的数据集合不仅记录了多种资产类别在特定时间范围内的价格变动和交易量情况，还结合了每日的重要新闻事件，为使用者提供了丰富的背景信息。同时，通过提供多达60种技术分析指标，它支持投资者和技术分析师进行详尽的市场趋势分析和策略制定，从而更好地理解市场动态并作出投资决策。

评估指标

该数据集包含了比特币、外汇以及道琼斯指数成分股的详细信息，数据来源包括Yahoo Finance和Alpaca News API。涵盖了从2015年1月1日到2023年12月31日的时间段，提供了每个交易日的开盘价、最高价、最低价、收盘价、成交量以及调整后的收盘价。此外，对于每一种资产，数据集还包含了每日的新闻更新，并且提供了60种常用的技术分析指标，以便于进行深入的市场分析和研究。

换句话说，这一综合性的数据集合不仅记录了多种资产类别在特定时间范围内的价格变动和交易量情况，还结合了每日的重要新闻事件，为使用者提供了丰富的背景信息。同时，通过提供多达60种技术分析指标，它支持投资者和技术分析师进行详尽的市场趋势分析和策略制定，从而更好地理解市场动态并作出投资决策。

实现细节

数据集被划分为训练集（涵盖2015年1月1日至2020年12月31日的数据）和测试集（包括2021年1月1日至2023年12月31日的数据）。为了防止数据泄漏，在测试阶段仅使用了历史价格信息。所有基线模型都在相同的强化学习环境中接受训练与评估，同时利用Optuna工具对这些模型的超参数进行了优化。

对于LLM方法和HedgeAgents策略，均选用了GPT-4-1106-preview版本，并设置了温度参数为0.7以平衡输出的随机性与确定性。内存模块则采用了基于文本相似度的存储和检索机制，具体实现上使用了text-embedding-3-large模型，并设定了top-k值为5来筛选最相关的文档片段。LLM方法根据各自领域的最佳实践进行了配置调整，确保其性能达到最优状态。

整体表现

在比较分析中，选用了多种经典及先进的基线模型，涵盖了三种基于规则的投资策略（即MV、ZMR和TSM），三种采用强化学习的金融代理（SAC、DeepTrader和AlphaMix+），以及三种基于大型语言模型的方法（如FinGPT、FinMem和FinAgent）。研究发现，与依赖固定规则的策略相比，强化学习方法在处理金融市场复杂性和不确定性方面表现更为出色。具体而言，DeepTrader和AlphaMix+这两种基于强化学习的模型，分别实现了32.78%和37.59%的年化收益率（ARR），远超传统规则基础策略的表现，其中MV的ARR为13.03%，ZMR甚至出现了-7.25%的负增长，而TSM则达到了19.13%的ARR。

换句话说，这项研究不仅对比了不同类型的模型，还展示了强化学习技术在金融市场中的优越性。通过选取包括基于规则的传统策略、先进的强化学习代理以及利用大语言模型的方法在内的多种基准模型进行对比，可以看出，DeepTrader和AlphaMix+这两个强化学习模型在收益方面显著超越了传统的投资策略，如MV、ZMR和TSM。这表明，在应对市场复杂度和不确定性的挑战时，强化学习能够提供更加有效的解决方案。

基于大型语言模型的策略，例如FinGPT、FinMem和FinAgent，在风险调整指标如夏普比率和信息比率上超越了那些采用强化学习的方法。特别是FinMem，它实现了47.67%的年化收益率（ARR）和221.99%的总回报率（TR），这表明其在信息处理和决策制定方面具有显著优势。

HedgeAgents系统在各项性能指标上表现突出，主要归功于几个关键因素：首先，其战略性的预算分配机制能够动态优化跨多个资产类别的投资，使得该系统的年化收益率达到了71.60%，总回报更是高达405.34%，证明了其预算分配策略的有效性。其次，在风险管理方面，HedgeAgents的最大回撤仅为14.21%，这一数值低于所有基准模型，显示了其优秀的风险控制能力。此外，HedgeAgents还展示了最高的投资组合多样性（以ENT和ENB衡量），这意味着它对单一资产的风险具备更强的抵抗力，从而增强了整体的投资稳健性。

值得注意的是，在2022年5月市场波动加剧期间，大多数基准模型都遭受了重大损失，而HedgeAgents却能成功应对这些挑战，进一步证实了其系统的卓越效能。

综上所述，HedgeAgents不仅在收益获取方面表现出色，同时也在风险管理和投资组合多样化之间找到了良好的平衡点，使其能够在复杂多变的投资环境中保持竞争力并持续成长。

消融分析

会议模块的有效性分析揭示了各个组件对投资组合的关键作用：ESC模块对于增强投资组合的多样性和尾部风险对冲极为重要，一旦移除该模块，投资组合的多样性指标（ENT）就会降低16.63%。BAC模块对整体收益的影响最为显著，如果去掉这个部分，年化收益率会大幅下降37.75%。EMC模块则在风险控制和收益稳定性方面扮演着不可或缺的角色，没有它的情况下，最大回撤率会上升71.93% 。

这三个模块共同运作时产生的协同效应尤为突出，它们的整体表现超越了任何单一模块独立工作时的效果。这说明，在构建稳健的投资策略时，各模块之间的相互配合是提升整体效能的关键因素。换句话说，ESC、BAC和EMC这三个模块各自为投资组合带来了独特的优势，而当它们结合起来使用时，则能更有效地管理风险并提高回报，体现出系统设计中模块间协同的重要性。这种表述方式保留了原始信息的核心要点，同时以不同的措辞和结构呈现出来，确保了信息传达的准确性和新鲜感。

在HedgeAgents框架内对六种具有代表性的大型语言模型进行了测试，结果表明该框架并不依赖于某一种特定的语言模型。研究发现，随着模型参数规模的增大，投资收益也有所提升，其中gpt-4-1106-preview的表现最为出色。值得注意的是，封闭源代码的模型在多个评估指标上均展现出了卓越的性能，而开源模型Qwen-72B的表现也非常接近这些封闭源代码的竞争对手。基于此，HedgeAgents选择GPT-4作为其核心组件，并且整个系统的三年运营成本仅为15美元。

没有套期保值的单一资产表现

在比特币市场上，HedgeAgents取得了大约210%的累计回报率，这一成绩显著超越了其他模型，这主要归功于专家Dave对区块链数据的深入分析以及对比特币市场趋势的精准把握。

针对AAPL股票，HedgeAgents同样表现出色，实现了大约160%的累计回报率，这一成绩优于基于LLM的方法如FinAgent和FinMem。专家Bob通过细致的财务分析与市场预测，确保了投资组合的持续稳定增长。

在YUAN外汇市场方面，HedgeAgents也获得了约9%的正回报率，尽管这一数字相对较小，但专家Emily通过对宏观经济指标的监控以及对地缘政治事件的敏锐洞察，成功实现了盈利。

这些结果共同展示了HedgeAgents系统在不同资产类别和各种市场条件下的多样性和稳健性，证明其不仅能适应特定市场的独特挑战，还能在多变的投资环境中保持竞争力。

换言之，在加密货币领域，特别是比特币市场中，HedgeAgents凭借专家Dave的专业分析实现了超过200%的累计收益，远远领先于其他策略。而在AAPL股票交易中，得益于专家Bob的财务研究和市场预判，HedgeAgents录得了接近160%的回报率，超过了类似的智能投资agent。对于YUAN外汇市场，尽管面对的是较小的利润空间，专家Emily运用宏观经济因素和国际关系动态分析，帮助HedgeAgents获取了大约9%的增长。这些成就凸显了HedgeAgents在跨资产类型和市场环境中的灵活性和稳定性。这种表述方式保留了原信息的核心内容，并以不同的措辞进行了阐述。

可视化

通过可视化手段解析单一代理的决策路径，揭示了Otto平台上的对冲策略应用。

对于单个代理的可视化分析，以比特币分析师Dave为例，他的操作流程从市场分析开始，注意到比特币价格出现了明显的上升趋势。Dave深入研究历史数据，回顾在类似乐观情境下的投资经历，并特别关注了快速平仓所面临的挑战。进入决策环节时，Dave考量了当前宏观经济政策带来的正面效应，决定将50%的资金投入比特币，并持续关注市场动态。反思阶段的数据表明，在接下来的四个交易日里，资产增值达到了7.43%，这证明了他的策略是成功的。Dave的操作流程展示了如何结合历史经验和实时数据分析来提升波动市场中的决策水平。

至于对冲专家的可视化案例，我们以Otto为例，他在面对比特币市场价格下滑10.22%的情况下做出了应对措施。此时，其投资组合包含13.2%的现金和56.8%的比特币。风险评估过程中，Otto综合考虑了比特币的价格波动性、美联储的政策导向以及市场的流动性状况。基于这些因素，他选择实施一种审慎的平衡策略，避免采取过于激进的交易行为。Otto提出的对冲策略涵盖了资产配置多元化、期权交易以及风险管理等方面。这一系列措施在市场不稳定期间发挥了作用，最终使得总资产在短短两天内增长了8.6% 。

06总结

HedgeAgents是一个设计用来通过实施对冲策略来提升金融操作稳定性的多智能体系统。该系统包含了一系列专门设计的对冲代理，并通过定期举行的会议促进这些代理之间的协作。实验数据表明，这一框架不仅表现突出，而且具有很高的稳健性。通过对决策过程的可视化分析可以看出，Hedge Agents在利用记忆生成投资经验方面的能力与人类专家不相上下，这进一步证明了系统的有效性及其在实际应用中的潜力。