Tip
Flora: 量化好声音，睡前听一听！hello大家好！欢迎收听今天的量化好声音，我是Flora
Note
我是Aaron
Tip
Flora: 今天我们要来聊一聊一个非常有趣的话题，如何用大语言模型 来做一个多智能体的金融交易框架
Note
Aaron:今天我们要介绍一个全网热搜的框架，叫TradingAgents
是不是听起来有点兴奋？这听起来就很硬核啊
Tip
Flora: Trading Agents，会交易的代理？
Note
Aaron: 对, Trading Agents最近一个月，它很火啊，在github上新增了7k的赞
Tip
Flora: 对，我看了一下github的历史。这个库是今年2月创建的，但最近一个月势头很猛啊，看上去是不是实现了什么技术上的突破？
Note
Aaron: 也可能是因为它现在完全开源了
Tip
Flora: 这也就解释了为什么最近这么火了。Aaron，在介绍这个框架之前，是不是先给大家介绍下，之前大语言模型在量化交易方面的进展？
Note
Aaron:好的。在这个模型出来之前，其实市场上已经有一些大模型做量化交易的例子了。比如bloombergGPT, XuanYuan 2.0, PIXIU, FinGPT等等。这里面像bloombergGPT，XuanYuan 2.0, PIXIU,它们主要是金融语料相关的一些NLP任务，比如数据结构化处理、情绪分析、金融知识问答等等，不涉及到量化模型和交易
Tip
Flora: 所以，你还没有介绍的FinGPT，应该是一个量化交易模型了？
Note
Aaron:对 FinGPT可视为与交易相关的模型，它基于情绪分析自动生成交易信号，信号体现为买卖时点
Tip
Flora: 这个实际上就是听消息炒股了。我们前几天还做了一期节目，介绍了the crystal ball trading challenge，根据Victor Haghani等人的实证研究，看起来听消息炒股，是不太聪明的样子啊
Note
Aaron: 根据那个实验，就算你提前一天知道了消息，然后自己分析进行操作。最后还是反而会赔得更多，关键原因在于，我们根据自己的认知来进行分析，常常会有很多误区，非常主观。
我们自己得到的结论，就算是对的，也不见得就是世界的共识
所以，光知道消息不行，还得看看社交媒体上其它人的观点，而且还要从正反两方面看
Tip
Flora: 听到这里，我感觉好像明白什么了。Aaron,你今天要介绍的trading agents，是不是正好针对这些方面做了改进？
Note
Aaron: 被你预判到了！今天我们要介绍的这个框架啊，它其实是模拟了一个高水平的、真实的交易团队的这种协作。然后它里面有很多的
用大语言模型驱动的这种智能体，也就是Agent。
每个智能体都有自己特定的角色,比如说，有做基本面分析的,有做情绪分析的，有做这种风险评估的 还有专门做交易的
它们会通过这种类似于辩论，来交换信息，最终结合历史数据来做出一个交易决策。
Tip
Flora: 作为一个技术派，我比较好奇这些Agent里，应该也有做技术分析的吧？就是看K线图指标那些。
Note
Aaron:确实如此。还有看消息炒股的。它有专门的分析新闻和社交媒体的Agent。
Tip
Flora: 这个虚拟团队，会有像真实团队一样的组织架构吗？
Note
Aaron: 它就是一个真实的团队这个团队里，有我们刚刚说的这些Agent，相当于最前端的分析师。他们搜集资料、清洗数据，包括生成一些技术指标
Tip
Flora: 在真实的团队中，分析师处在最前线。他们搜集市场情报，然后交给团队的专家，也就是研究团队
Note
Aaron: 正是如此。trading agents也模拟了这样一个团队，而且最有意思的是，它把研究团队分为两派，一派是乐观派，总认为现在是牛市；另一派则是悲观派，总把现在当成熊市
Tip
Flora: 确实有点东西。我知道，在真实的团队中，这两派其实很难共存。
即使一个团队中有这样两派，也很难进行理性的讨论，常常是相互看不起，尽管理想状态是兼听则明，实际上是一拍两散
Note
Aaron: 所以，这确实是人工智能带来的颠覆性机会。
那我们继续介绍它的架构，这两派会分别出具买方证据和卖方证据，把这些证据交给交易员
Tip
Flora: 你这里说的交易员，应该还是系统中的Agent，而不是真实的交易员吧
Note
Aaron: 对 没错。交易员会结合这两种意见，形成自己的交易建议
然后再交给风控团队
Tip
Flora: 不用说，这仍然是一些Agent
Note
Aaron: 对，就是另外一些Agents在最后面就是基金经理的角色了。所以，整个系统就是由一些分工很细、很明确的Agent组成的
看起来，如果我们自己在本地搭建出这样一个系统，不仅可以节省成本，更重要的是能获得更全面、综合、深入的思考，以及人类无法想像的思维速度！
Tip
Flora: 听上去确实是很赞的样子。那它的效果怎么样，有做过回测吗？
Note
Aaron: 有的！这个框架实际上是UCL，MIT等几个大学的中国学者提出来的，他们进行了比较深入的研究
在apple, google和Amazon等标的上进行了回测，结论是年化收益会大幅提升近30%左右，而最大回撤非常惊人。在amazone上回撤最大，也只有2.11%
Tip
Flora: 这些数据确实是非常优秀了！大家可以去github上面玩一玩，自己动手试一试
大模型做金融的，我们见过的也不少了。那你认为这个模型有什么优势之处？
Note
Aaron: 之前的很多模型吧，它要么就是只是专注在一个单一的任务上面，像做个分析呀，或者搜搜数据什么的
要么就是说 它没有去很好的模拟，真实的交易团队里面的这种复杂的互动
Tip
Flora: 对，交易不是一个人说了算，需要团队协作
Note
Aaron:所以这是这个项目最大的优势，是它模拟了一个真实的交易团队，各个角色之间既分工、又协作，还会相互争吵
Tip
Flora: 所以这有点像之前比较流行的GPT里面让多个分析师之间对话，反复讨论、思辨，最后接近最正确的答案？
Note
Aaron: 对，很有点真理越辩越明的意思。
Tip
Flora: 恩。这也让我想到一个问题。毕竟我们知道，大模型是生成模型，它会自己加戏，会有幻觉，会编故事
那这样的话，各个Agent之间的讨论，还能做到基于事实、基于逻辑推理，确保严谨吗？
Note
Aaron: 确实！如果让AI之间，用我们说话的这种自然语言沟通，效率其实不高，而且信息传着传着，就容易跑偏，就像我们小时候玩那个
传话游戏，最后意思可能全拧了
Tip
Flora: 哈哈 对，传话游戏那个比喻很形象。那这个TradingAgents是怎么解决这些问题的?
Note
Aaron: 它是设计了一种结构化的通讯协议。这个是非常重要的。
因为传统的这种基于自然语言的通讯,它很容易出现问题,比如它会遗忘一些信息，或者说它会扭曲一些信息，特别是在这种复杂任务的情况下
那在trading agents中，智能体之间的交流，主要是通过这种结构化的文档和图表。
比如说，分析师团队他们会输出一个分析报告，然后这个报告里面就会有一些非常明确的指标和建议。
交易员会根据这个分析报告，再输出一个决策的信号，同样也是有他的理由和证据。它们只有在辩论的时候，才会使用自然语言对话，
所以整个这个通讯是非常高效的,也避免了信息的丢失
Tip
Flora: 所以既利用大语言模型的优势，又利用结构化数据来限制它的缺点。所以它的改进从原理上就是不证自明的了
好的！今天我们聊了这个Tradingagents。那么这一切对我们听众朋友来说，可能意味着什么呢
Note
Aaron: 这里可能有一个值得我们再次思考的问题。
当人工智能不再仅仅是一个独立的分析工具，而是能够像人类团队一样，进行协作辩论、权衡利弊的时候，未来我们人类要怎么和这些越来越聪明的AI同事一起工作？
尤其是在金融这种高风险高回报，决策压力巨大的行业里，这种变化长远来看，会怎么改变我们对于专业知识、团队价值、甚至是角色、过程的理解呢？
Tip
Flora: 这个问题可能值得我们个量化人都想一想。
以上就是这期播客的全部内容了。非常感谢大家的收听！这里也提醒大家别忘了订阅我们的量化好声音
Note
Aaron: 对的，如果你想了解更多的量化资讯，或者想要学习量化，欢迎大家订阅Quantide Research platform！
这在里，我们提供了百余篇优质的文章和研报策略复现，并配有相关资料和可运行代码的notebook文件。
Tip
Flora:此外，我们还开设有『量化24课』和『因子分析与机器学习策略』这两门课程，分别针对量化新手和专业的量化策略开发交易员，欢迎大家报名！
Note
Aaron: 好的 那咱们下期再见啦
Tip
Flora: 拜拜
