Краткое содержание
- Среди разных торговых фреймворков на базе LLM архитектура Multi-Agent наиболее близка к исследовательскому и торговому процессу реальных финансовых организаций — в отличие от подхода, где одна LLM напрямую генерирует сигналы к покупке или продаже.
- TradingAgents — это торговый фреймворк на основе Multi-Agent LLM. Его ключевая идея — воспроизвести организационную структуру настоящей торговой компании, разбив сложные торговые решения на совместную работу нескольких специализированных ролей.
- Как показали эксперименты в оригинальной статье, TradingAgents превзошёл несколько классических базовых стратегий при тестировании на истории на фондовом рынке: улучшились совокупный доход, коэффициент Шарпа и максимальная просадка.
- TradingAgents-BTC за период тестирования показал общий доход +20,25%, значительно опередив Buy and Hold того же периода (-7,89%). Это говорит о том, что фреймворк обладает определённой способностью к активному рыночному таймингу в конкретных рыночных условиях.
- Период тестирования на истории составляет всего около трёх месяцев, поэтому выборка относительно коротка. Кроме того, на торговлю с часовыми интервалами могут влиять комиссии, проскальзывание и задержки сигналов. В будущих работах стоит дополнительно проверить устойчивость стратегии на более длинных интервалах и в разных рыночных условиях.
1. Введение
В последние годы появляется всё больше исследований, посвящённых применению LLM в финансовой торговле. Пока ещё не сформировалось зрелых стандартизированных продуктов, но в академической среде уже предложено несколько направлений: финансовые аналитические ассистенты на основе LLM, торговые боты, торговые агенты с памятью, торговые модели LLM в сочетании с обучением с подкреплением и многоагентные коллаборативные торговые фреймворки.
В отличие от подхода, где одна LLM напрямую выдаёт сигналы на покупку и продажу, архитектура Multi-Agent гораздо ближе к тому, как работают исследовательские и торговые отделы в реальных финансовых институтах. Она позволяет разбить торговые задачи на несколько ролей: технические аналитики, аналитики новостей, аналитики настроений, исследователи, трейдеры и риск-менеджеры. Разные агенты обрабатывают разные источники информации, а окончательное решение формируется через дебаты, обобщение и оценку рисков. Такая структура снижает когнитивную нагрузку на одну модель и одновременно повышает прозрачность и интерпретируемость процесса принятия решений.
TradingAgents, предложенный Yijia Xiao и соавторами, — одна из ярких работ в этом направлении. Фреймворк копирует организационную структуру настоящей торговой компании и вводит несколько ролей. Сначала аналитики собирают и анализируют рыночную информацию, затем исследователи проводят дебаты между быками и медведями, после чего трейдеры формируют торговые решения, и наконец команда риск-менеджмента вместе с управляющим фондом оценивает риски и утверждает исполнение. Эксперименты из оригинальной статьи подтвердили, что TradingAgents превосходит несколько традиционных базовых стратегий при тестировании на истории на фондовом рынке: совокупный доход, коэффициент Шарпа и максимальная просадка улучшились.
Однако оригинальные эксперименты с TradingAgents проводились в основном на фондовом рынке, и применимость этого фреймворка к рынку криптоактивов ещё предстоит проверить. Поэтому перенос TradingAgents на рынок BTC представляет определённый исследовательский интерес. В этой статье мы построили эксперимент по тестированию на истории торговли BTC на основе TradingAgents, чтобы оценить, насколько эффективен многоагентный торговый фреймворк на крипторынке.
2. Обзор архитектуры TradingAgents
TradingAgents — это торговый фреймворк на основе Multi-Agent LLM. Вдохновляясь структурой реальных компаний, TradingAgents выделяет четыре категории ролей агентов в смоделированной торговой компании: аналитики, исследователи, трейдеры, риск-менеджмент и управляющие фондами. У каждого агента есть имя, роль, цель и ограничения, а также заранее заданные контекст, навыки и инструменты, соответствующие его функции.
2.1 Команда аналитиков
Исходный TradingAgents включает четыре типа аналитиков:
- Фундаментальный аналитик: анализирует финансовое состояние компании, прибыльность, уровни оценки, финансовую отчётность, отчёты о прибылях и инсайдерские сделки. Его задача — определить долгосрочную инвестиционную ценность актива и понять, недооценён он или переоценён.
- Аналитик настроений: анализирует социальные сети, комментарии инвесторов, публичные обсуждения и индикаторы рыночного настроения. Его цель — выявить изменения в настроениях инвесторов и оценить, могут ли эти настроения повлиять на цены в краткосрочной перспективе.
- Аналитик новостей: анализирует новостные события, корпоративные объявления, изменения в политике и макроэкономические события. Задача — выявить важную информацию, способную повлиять на рыночные тренды, и оценить её краткосрочное или среднесрочное влияние.
- Технический аналитик: анализирует цены, объёмы торгов и технические индикаторы: MACD, RSI, линии Боллинджера, скользящие средние, индикаторы волатильности. Его цель — определить рыночные тренды, силу импульса, зоны перекупленности/перепроданности и потенциальные точки для входа или выхода.
2.2 Исследовательская команда
В TradingAgents исследовательская команда обычно состоит из двух агентов с противоположными взглядами:
- Бычий исследователь: смотрит на рыночную информацию с позитивной стороны, выделяя бычью логику, потенциал роста, благоприятные факторы и причины для покупки.
- Медвежий исследователь: смотрит на ту же информацию с осторожной или негативной стороны, акцентируя риски снижения, давление оценки, неопределённость и потенциальные медвежьи факторы.
Эти два исследователя проводят несколько раундов дебатов на основе отчётов аналитиков. После завершения дебатов система обобщает обе позиции и формирует относительно сбалансированную рыночную оценку. Смысл этого механизма — внести в процесс противоположные точки зрения.
2.3 Трейдер
Трейдер получает структурированные отчёты от команды аналитиков, точки зрения исследователей и текущее состояние рынка, а затем генерирует предварительные торговые решения (Купить/Продать/Держать). Кроме того, трейдер поясняет логику своего решения, указывает уровень уверенности и возможные риски. Его результат — это не просто сигнал к действию, а ещё и объяснение на естественном языке. Благодаря этому TradingAgents гораздо проще проверять и отлаживать, чем традиционные модели-«чёрные ящики».
2.4 Команда риск-менеджмента
В команду риск-менеджмента обычно входят три агента с разной склонностью к риску:
- Агрессивный риск-менеджер: ищет возможности для высокой доходности и готов принимать повышенные риски, если условия благоприятны.
- Нейтральный риск-менеджер: ищет баланс между доходностью и риском, следит, чтобы соотношение риска и доходности стратегии было разумным.
- Консервативный риск-менеджер: в первую очередь заботится о контроле просадок и экстремальных рисков, склонен сокращать позиции или избегать сделок с высокой неопределённостью.
Команда обсуждает, насколько обосновано решение трейдера: не слишком ли велика текущая позиция, не чрезмерна ли волатильность, есть ли событийные риски, не стоит ли уменьшить объём сделки. По итогам оценки рисков система может либо оставить исходную рекомендацию, либо скорректировать позицию и действие.
2.5 Управляющий фондом и окончательное решение
Управляющий фондом выступает в TradingAgents как финальная инстанция, утверждающая решение. Он просматривает обсуждения команды риск-менеджмента и решает, одобрить ли рекомендацию трейдера. По сути, это аналог лица, принимающего окончательное решение в реальной торговой организации, которое отвечает за финальный компромисс между прибылью и риском.
3. Криптотрейдинговый фреймворк на основе TradingAgents
Крипторынок тоже зависит от множества источников информации: ценовые тренды, объёмы, новости, макрополитика, ончейн-потоки, рыночные настроения. Поэтому в этой статье, сохраняя основную логику TradingAgents, мы адаптировали роли аналитиков под крипторынок: технический аналитик, аналитик новостей, аналитик настроений, макро- и ончейн-аналитик. Затем мы оценили производительность фреймворка на тестировании на истории BTC.
3.1 Общая структура
Фреймворк сначала получает данные крипторынка. Затем команда аналитиков проводит анализ с четырёх точек зрения: технической, новостной, сентиментной и макро-/ончейн. После этого исследовательская команда проводит бычьи и медвежьи обсуждения на основе полученных результатов. Трейдер синтезирует все точки зрения и выдаёт сигнал Купить, Продать или Держать. Затем команда риск-менеджмента проверяет эту рекомендацию с агрессивной, нейтральной и консервативной позиций. И наконец, торговое решение передаётся в систему тестирования на истории для оценки эффективности стратегии.
3.2 Роли агентов
Технический аналитик: анализирует ценовые тренды токена, объёмы торгов и технические индикаторы: MA, EMA, MACD, RSI, линии Боллинджера, ATR, ADX. Выдаёт оценку тренда, силу импульса, уровень волатильности, зоны перекупленности/перепроданности, ключевые уровни поддержки и сопротивления.
Аналитик новостей: анализирует новостные события, связанные с токеном: потоки ETF, регуляторные решения, инциденты на биржах, изменения институциональных активов, макроэкономические данные, геополитические риски. В результате даёт обобщение новостей, бычью/медвежью оценку и оценку потенциальной длительности влияния.
Аналитик настроений: оценивает рыночные настроения: обсуждения в соцсетях, новостной сентимент, индекс страха и жадности, популярность сообщества. Определяет, находится ли рынок в состоянии FOMO, паники, перегрева или нейтральности.
Макро- и ончейн-аналитик: следит за активными адресами, чистым притоком/оттоком с бирж, поведением долгосрочных держателей, балансами майнеров, предложением стейблкоинов, доминированием BTC, индексом доллара и доходностью казначейских облигаций США. Цель — уловить изменения в потоках капитала токена и макроликвидности.
Исследователи: бычий исследователь строит бычью логику на основе всех отчётов аналитиков, выделяя благоприятные факторы и возможные пробои. Медвежий исследователь строит медвежью логику, указывая на риски просадки, перегрев рынка, макродавление или ончейн-давление продавцов. Через дебаты они приходят к более сбалансированной оценке.
Трейдер: объединяет отчёты аналитиков и результаты дебатов исследователей, выдаёт окончательные торговые сигналы: Купить, Продать или Держать, а также уровень уверенности, рекомендации по размеру позиции и обоснование.
Команда риск-менеджмента: проверяет решения трейдера. Агрессивный взгляд — на возможности прибыли, нейтральный — баланс доходности и риска, консервативный — контроль просадок. Окончательное решение корректируется командой риска и затем идёт в тестирование на истории.
4. Данные и дизайн эксперимента
Базовая модель: ChatGPT 5.5
Объект исследования: BTC/USDT
Период тестирования на истории: с 1 февраля 2026 года по 1 мая 2026 года — тот же трёхмесячный период, что и в оригинальной статье TradingAgents.
Частота данных: часовые свечи
Источник данных: данные получены через Gate MCP: ценовые данные BTC/USDT, технические индикаторы, новости, данные из соцсетей или сентимента, индекс страха и жадности, притоки/оттоки ETF, данные по занятости, доходность казначейских облигаций США, CPI, процентные ставки. Чтобы избежать предвзятости look-ahead, использовались только данные, которые были публично доступны до начала каждого торгового дня.
Правила торговли: система принимает одно торговое решение в день. Основные правила:
- Тип торговли: рыночные ордера, возможны три действия: Купить/Продать/Держать
- Позиционирование: без плеча, позиция либо 0%, либо 100%
- Комиссия за сделку: 0,1%
- Проскальзывание: 0,05%–0,1%
- Базовая стратегия: Buy and Hold — удержание BTC на всём периоде.
5. Результаты тестирования на истории
5.1 Доходность
По результатам тестирования на истории стратегия показала общий доход +20,25%, тогда как Buy and Hold за тот же период дал -7,89%. Альфа относительно Buy & Hold составила +28,14%. Это значит, что за период тестирования стратегия не только избежала убытков от пассивного удержания BTC на падающем и боковом рынках, но и смогла захватить часть прибыли от отскока, переключаясь между бычьими и медвежьими позициями.
На кривой капитала видно, что Buy and Hold почти весь период был в минусе, особенно глубокая просадка пришлась на конец февраля — начало апреля. В то же время стратегия TradingAgents после начала марта стала заметно наращивать отрыв от Buy and Hold, а в конце апреля, когда BTC пошёл вверх, продолжила увеличивать доходность. Это означает, что на боковых и падающих рынках стратегия не сидела пассивно в риске, а уменьшала убытки через состояния Sell/Underweight и Flat, а на отскоке снова входила в лонг.
Распределение позиций показывает, что стратегия не держалась всё время в лонге, а часто переключалась между длинными позициями (Long), нейтральным положением (Flat) и продажами/уменьшением (Sell/Underweight). За период тестирования было 43 дня с Buy/Overweight, 31 день с Sell/Underweight и 15 дней с Hold/Flat. То есть TradingAgents-BTC — это скорее стратегия активного тайминга, а не тренд-следующая удерживающая стратегия. Дневной винрейт составил 52,70% — не слишком высокий, но коэффициент прибыли (Profit Factor) достиг 1,35. Это говорит о том, что общая прибыль от выигрышных сделок перекрывает общие убытки от проигрышных. Преимущество стратегии обеспечивается не сверхвысоким процентом выигрышей, а структурой прибылей и убытков.
5.2 Рисковые показатели
По части контроля рисков: максимальная просадка стратегии -17,41%, тогда как у Buy and Hold -27,06%. Это значит, что механизмы оценки и управления рисками в многоагентном фреймворке обеспечили определённую защиту в этот период. Коэффициент Калмара составил 6,492 — относительно высокая величина, показывающая, что доходность на единицу просадки у стратегии значительно лучше, чем при простом удержании. Годовой коэффициент Шарпа — 1,738, коэффициент Сортино — 2,070. Это указывает на преимущества стратегии в доходности с поправкой на риск, особенно в контроле отрицательной волатильности.
6. Заключение
В этой статье мы адаптировали многоагентный LLM-фреймворк TradingAgents для работы на крипторынке BTC. Мы изменили исходный процесс торговли акциями под более подходящую для крипторынка структуру, добавив роли: технический анализ, анализ новостей, анализ настроений и макро-/ончейн-анализ. Благодаря дебатам бычьего и медвежьего исследователей, решению трейдера и оценке рисков фреймворк генерирует окончательные торговые сигналы. Такая архитектура демонстрирует преимущества Multi-Agent в интеграции множества источников информации, учёте противоположных точек зрения и контроле рисков, а также даёт интерпретируемую исследовательскую основу для применения LLM-трейдинга на крипторынке.
Результаты тестирования на истории показали, что TradingAgents-BTC превзошёл Buy and Hold по доходности и риску за период тестирования. Это говорит о том, что многоагентный LLM-фреймворк имеет определённый потенциал для торговли BTC. Однако к этим результатам стоит относиться с осторожностью: период тестирования на истории составил всего около трёх месяцев, выборка коротка, а торговля на часовых свечах может страдать от комиссий, проскальзывания и задержек сигналов. Будущие исследования должны проверить устойчивость стратегии на более длинных интервалах и в разных рыночных условиях, а также оценить конкретный вклад ончейн-данных, макропеременных и модуля управления рисками в общую производительность стратегии.
Ссылки:
Gate Research](https://www.gate.com/learn/category/research?)) — это комплексная исследовательская платформа по блокчейну и криптовалютам, которая предлагает читателям глубокие материалы: технический анализ, рыночные инсайты, отраслевые исследования, прогнозы трендов и анализ макроэкономической политики.
Дисклеймер
Инвестирование на рынках криптовалют связано с высоким риском. Пользователям рекомендуется самостоятельно изучить вопрос и полностью понимать природу активов и продуктов, прежде чем принимать какие-либо инвестиционные решения. Gate не несёт ответственности за любые убытки или ущерб, возникшие в результате таких решений.
