TradingAgents: Multi-Agents LLM Financial TradingFramework

前陣子練習的side project (https://github.com/jason8745/llm-stock-analyzer)的完成體是參考這篇論文的架構

論文連結: TradingAgents: Multi-Agents LLM Financial TradingFramework

這篇文章是我閱讀一篇論文後的心得分享。老實說，最近因為時間相當有限，能靜下心來好好讀完一篇Paper的機會並不多。為了幫助自己更有效率地吸收論文內容，我另外開發了一個小工具 llm-document-extractor，透過 LLM 快速摘要論文的核心概念。

這個工具的流程大致是這樣：我先用它生成一份初步摘要，快速掌握該篇論文是否跟我當下關注的主題有關。如果看起來有趣，或剛好是我最近需要的內容，我就會進一步深入閱讀原始論文，甚至搭配作者提供的原始碼來理解整體架構。這個工具之後也會公開分享(https://github.com/jason8745/llm-document-extracter)出來，如果你覺得實用的話，歡迎幫我的 repo 點個 ⭐️，讓我感受一下社群的鼓勵與虛榮（？）。

接下來就進入正題，我會依據原始論文內容，加上一些由 LLM 協助產生的摘要，以及我自己針對原始碼整理的重點，和大家一起深入看看這篇論文的內容！

Background: 傳統系統的瓶頸，效率與可解釋性的拉扯

傳統量化交易策略固然能在特定技術條件下達成高頻決策，但對於以下幾點始終面臨挑戰：

難以捕捉市場背後的非結構性資訊與人為因素
缺乏具備跨模態思考與溝通能力的架構
深度學習模型黑箱問題導致解釋性與可信度不足

現有多代理人LLM架構雖提供協作式推理能力，但在模擬真實組織流程與多輪自然語言協作上仍有明顯落差。例如，訊息在代理人之間傳遞時，容易發生語意失真、上下文遺失等問題，導致決策效率與準確性下降。

🚀 keypoint: 多代理LLM在多輪自然語言協作上容易發生語意失真、上下文遺失等問題

本研究的創新架構：模擬組織協作 × 最小語意損失

為解決上述痛點，研究團隊提出一套以LLM為核心驅動的多代理人金融交易架構，整合以下創新：

1. 模擬真實交易組織的決策流程

設計具職責分工的代理人組成，如：

基本面研究員：分析財務報表與產業趨勢
技術分析師：追蹤市場價格變化與技術指標
風險評估官：監控槓桿比例與市場環境
總體經濟觀察者：連結宏觀經濟與個股價值

這樣的分層架構更貼近現實交易團隊運作，使模型決策過程具備角色邏輯與可追蹤性。\

2. 優化語意溝通機制

透過改良的Prompt與記憶模組，減少上下文遺失，使代理人在多輪對話中：

合理組合異質資訊，形成整體觀點
能保有任務上下文與資訊前後邏輯
進行針對性提問與決策辯證

先停在這邊，因為對如何減少上下文遺失這塊有些好奇，所以去看了Source Code當中對於這塊的實作

Our model introduces a structured communication protocol to govern
agent interactions. By clearly defining each agent’s state, we ensure that each role only extracts or
queries the necessary information, processes it, and returns a completed report.

實作的位置在 /tradingagents/graph 底下，

structured communication protocol :從propagation.py的 messages 結構與 create_initial_state 方法來看，確實有設計一個結構化的訊息協議，所有代理人互動都透過 messages 傳遞，並且每個訊息都標明角色與內容。

    def create_initial_state(
        self, company_name: str, trade_date: str
    ) -> Dict[str, Any]:
        """Create the initial state for the agent graph."""
        return {
            "messages": [("human", company_name)],
            "company_of_interest": company_name,
            "trade_date": str(trade_date),
            "investment_debate_state": InvestDebateState(
                {"history": "", "current_response": "", "count": 0}
            ),
            "risk_debate_state": RiskDebateState(
                {
                    "history": "",
                    "current_risky_response": "",
                    "current_safe_response": "",
                    "current_neutral_response": "",
                    "count": 0,
                }
            ),
            "market_report": "",
            "fundamentals_report": "",
            "sentiment_report": "",
            "news_report": "",
        }

extracts or queries the necessary information則是在 reflection.py 的 _reflect_on_component，每個 agent 只根據自己的職責分析、決策，並回傳結果。

從實作細節來看，這篇論文透過兩個核心設計概念，有效降低了多輪對話中常見的上下文遺失問題。

我認為這是整篇Paper中非常值得帶走的一個重點（Takeaway）：
在未來設計 Multi-Agent 系統 或處理 多輪對話任務 時，可以特別留意以下兩個關鍵設計思路：

Structured Communication Protocol（結構化通訊協議）
針對上下文遺失的容錯與追蹤機制

這些設計能夠幫助系統在長對話中維持語意的一致性，並降低錯誤決策的風險。

🔎 小補充（來自 ChatGPT 的觀察）：
在多輪對話中，LLM 通常會遇到以下幾種問題：

對話輪次多，重要資訊容易被覆蓋或遺忘
上下文格式不一致，導致語意理解偏差
每一輪可能涉及不同任務，難以有效追蹤進度與狀態
如果代理人之間採開放式語言互動，更容易出現語意模糊或責任歸屬不明

這些挑戰都是在實務上需要特別注意的，而這篇論文在這部分給了一個相當實用的解法。

技術與學術貢獻

此研究的主要貢獻可歸納如下：

首度以多代理人LLM系統重構真實金融決策流程
解決語意溝通效率與上下文失真問題
展示LLM於公司價值評估與投資策略制定的潛力
建立可擴展架構，可擴充至其他產業與任務場景

Summary Generated by LLM-Document-Extractor

最後提供，來自LLM-Document-Extractor 對於這篇Paper的Summary，我覺得對於快速對於概念的初步理解有很大的幫助，也可以讓我決定要不要深入看下去

## Top-5 Important Points

1. **問題動機**：現有多代理人LLM在金融交易領域難以真實模擬組織協作流程，且溝通過程易產生訊息失真，影響決策效率與準確性，亟需提升解釋性與實用性。

2. **技術創新**：本研究提出模擬真實交易組織結構的多代理人LLM框架，並設計優化的代理人溝通機制，強化多輪自然語言協作與資訊整合能力。

3. **關鍵成果**：以Apple Inc.為實證對象，該架構能有效整合財務、內部人交易等多元資訊，提升決策透明度與可解釋性，為投資分析提供前瞻性依據。

4. **技術優勢**：相較傳統量化與深度學習模型，所提方法更能捕捉市場複雜互動，並減少資訊遺失，兼具可擴展性與實務應用價值。

5. **應用潛力**：未來可拓展至即時市場監控、宏觀經濟分析及消費者行為預測，進一步完善金融AI決策系統並提升預測精度。

## Application Ideas

**應用構想 1：企業級多代理人AI投資決策協作平台**  
- **技術核心**：運用論文提出的「模擬真實交易組織結構」的多代理人LLM協作與優化溝通機制  
- **解決問題**：傳統投資團隊在決策過程中，資訊分散、溝通效率低、決策流程難以追溯與解釋，且難以整合多元數據來源（如財報、產業動態、內部人交易等）  
- **實作路徑**：  
  1. 建立多代理人LLM架構，將不同AI代理人分別負責財務分析、產業研究、風險評估等角色  
  2. 整合多源數據（公開財報、即時市場數據、新聞、內部人交易資訊）  
  3. 設計高效自然語言溝通協議，確保訊息上下文完整傳遞  
  4. 提供決策流程可視化與解釋性報告，支援人機協作決策  
  5. 以SaaS形式推向資產管理公司、券商、家族辦公室等B2B市場  
- **商業潛力**：目標用戶為專業投資機構、企業財務部門，市場規模龐大。可大幅提升團隊決策效率、降低人力成本，並強化合規與審計追溯能力，具備高附加價值與訂閱式收入潛力。

---

**應用構想 2：智慧型金融教育與模擬交易訓練平台**  
- **技術核心**：基於論文中「多代理人LLM模擬真實協作流程」與「高解釋性決策」能力  
- **解決問題**：金融教育與投資訓練缺乏真實市場決策情境，學習者難以體驗專業團隊協作與多元資訊整合的決策過程  
- **實作路徑**：  
  1. 建立虛擬投資團隊，讓學員與AI代理人（如分析師、經理人、風控專家）協作進行模擬交易  
  2. 提供多源市場數據與即時新聞，模擬真實市場環境  
  3. AI代理人能以自然語言解釋其決策依據，並引導學員參與討論  
  4. 系統自動生成決策過程回顧與個人化學習建議  
  5. 可作為大學金融課程、證券業新進人員訓練、投資者教育等B2B/B2C產品  
- **商業潛力**：金融教育市場需求強勁，尤其在數位轉型與遠距學習趨勢下。平台可收取訂閱費或授權費，並與金融機構合作推廣，具備規模化潛力。

---

**應用構想 3：企業併購（M&A）智能盡職調查協作系統**  
- **技術核心**：運用「多代理人LLM整合多元數據、強化決策可解釋性」的技術  
- **解決問題**：M&A過程中，需整合大量財務、法律、產業、內部人交易等資料，傳統盡職調查耗時、資訊易遺漏且決策過程不透明  
- **實作路徑**：  
  1. 設計多角色AI代理人（財務、法務、產業、風控），分工審查目標公司  
  2. 整合公開財報、產業報告、法律文件、內部人交易紀錄等多源資料  
  3. 代理人間以自然語言協作，生成可追溯的盡職調查報告與風險預警  
  4. 支援人機互動，讓專業顧問可即時詢問AI代理人分析依據  
  5. 以專案制或訂閱制服務推向投資銀行、PE/VC、企業戰略部門  
- **商業潛力**：M&A市場規模大，盡職調查屬高價值服務。可大幅提升調查效率、降低人力成本，並強化決策透明度，具備明確商業化路徑。

## Chinese Summary

**論文總結**

本論文聚焦於大型語言模型（LLMs）驅動的多代理人系統於金融交易領域的應用，針對現有語言代理人框架在真實組織結構模擬與高效溝通機制上的不足，提出創新性的解決方案。隨著LLMs在模擬人類決策與協作方面的進步，金融市場這一高度複雜、動態多變的場域，對於能兼具解釋性、可擴展性與實用性的AI交易系統需求日益殷切。然而，傳統量化交易系統難以捕捉市場多元因素間的複雜互動，深度學習模型則面臨解釋性不足的挑戰；現有多代理人LLM框架雖具潛力，卻多忽略了真實交易組織的協作流程，且在多輪自然語言溝通中易產生訊息失真與上下文遺失，影響決策效率與準確性。

為回應上述挑戰，本文提出一套多代理人LLM金融交易框架，核心創新包括：（1）模擬現實交易組織中代理人協作與決策流程，提升系統的實用性與效能；（2）設計優化的代理人溝通機制，減少訊息失真與上下文遺失，強化對複雜金融任務的處理能力。研究方法上，結合多代理人LLM架構，整合財務指標、內部人交易、產業動態等多元數據，並以Apple Inc.為實證對象，進行全面的公司價值評估與投資分析。

主要研究發現顯示，Apple Inc.雖然估值與槓桿水準偏高，但其財務穩健、獲利能力強且具備長期成長動能，尤其在AI智慧家庭新產品與生態系統拓展方面展現創新優勢。多代理人LLM架構能有效整合多源資訊，提升決策透明度與可解釋性，為投資者提供更具前瞻性的決策依據。研究亦指出，內部人交易活動與市場環境需審慎評估，投資決策應結合多面向資訊與專業判斷。

本論文的主要貢獻在於：首次於金融交易領域系統性建構模擬真實組織結構與高效溝通的多代理人LLM框架，補足現有方法在協作流程與訊息傳遞上的不足，並以實證案例驗證其在公司價值評估與投資決策上的應用潛力。此一架構不僅提升了金融AI系統的解釋性與可擴展性，亦為學術與實務界提供具參考價值的創新方法。

研究限制方面，主要依賴公開財務數據與內部人交易資訊，未能涵蓋所有潛在外部風險，且模型預測仍需結合專業判斷。未來可進一步納入即時市場數據、宏觀經濟指標及消費者行為分析，以提升預測精度與系統適應性，並持續追蹤AI與新興市場發展對公司長期價值的影響，完善投資決策參考架構。

References

Source Code: https://github.com/TauricResearch/TradingAgents

Paper: https://arxiv.org/pdf/2412.20138

Website: https://tauric.ai/