💻 computer science

QuantHarness: Price-Driven Multi-Agent LLMs for High-Frequency Trading

Il documento presenta QuantHarness, un nuovo framework multi-agente basato su LLM specificamente progettato per il trading ad alta frequenza che sfrutta agenti specializzati per elaborare segnali strutturati a breve orizzonte temporale, dimostrando una precisione predittiva e capacità decisionali in tempo reale superiori rispetto ai modelli finanziari esistenti a lungo orizzonte e basati sul testo.

Autori originali: Fei Xiong, Xiang Zhang, Aosong Feng, Siqi Sun, Chenyu You

Pubblicato 2026-07-28

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Fei Xiong, Xiang Zhang, Aosong Feng, Siqi Sun, Chenyu You

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immaginate il mercato azionario come un oceano gigante e caotico. Per decenni, i marinai (i trader) hanno cercato di prevedere le onde usando due mappe principali. La prima mappa è un bollettino meteorologico pieno di notizie, voci e chiacchiere dai social media: ciò che la gente dice che stia accadendo. La seconda mappa è l'acqua stessa: l'effettivo innalzarsi e abbassarsi delle onde, registrato in numeri precisi. La maggior parte dei programmi informatici moderni che cercano di prevedere il mercato si è concentrata ossessivamente sui bollettini meteorologici, leggendo milioni di articoli di notizie per indovinare dove andrà l'acqua successivamente. Ma ecco il problema: nel momento in cui una notizia arriva su internet, l'acqua si è spesso già mossa. Le onde si sono già spostate, e la notizia non è altro che un eco lento.

È qui che entra in gioco una nuova idea: e se smettessimo di leggere i bollettini meteorologici e ci limitassimo a osservare l'acqua? Questo approccio, chiamato "analisi tecnica", presuppone che ogni notizia, ogni paura e ogni speranza sia già incorporata nel prezzo dell'asset. Se riuscite a leggere i modelli nei movimenti dei prezzi stessi, potreste essere in grado di prevedere l'onda successiva più velocemente di chiunque stia leggendo le notizie. Ora, immaginate di dare a un cervello informatico super intelligente (un Large Language Model) il compito di leggere questi modelli dell'acqua. Di solito, questi cervelli sono bravi a scrivere storie o a chiacchierare, ma possono essere lenti e facilmente distratti da troppo testo. Questo articolo pone una domanda semplice e audace: possiamo insegnare a questi cervelli artificiali a ignorare il rumore e a diventare esperti fulminei nel leggere i numeri grezzi del mercato per fare trading in tempo reale?

Il documento presenta QuantHarness, un nuovo sistema progettato per rispondere a questa domanda. Pensate a QuantHarness non come a un singolo trader, ma come a una piccola squadra di trading ad alta velocità composta da quattro robot specializzati, che lavorano tutti insieme all'interno di un computer. A differenza di altri trader AI che passano ore a leggere titoli di notizie, questo team guarda solo i grafici a "candele" (candlestick): le barre colorate e grezze che mostrano i prezzi di apertura, massimo, minimo e chiusura di un asset in un breve periodo.

Il team è composto da quattro agenti distinti, ognuno con un compito specifico:

L'Agente degli Indicatori è il genio della matematica. Prende le barre dei prezzi grezzi e calcola rapidamente famosi "tachimetri" come l'RSI e il MACD. Questi strumenti dicono al team se il mercato si sta muovendo troppo velocemente, se è stanco o se sta per cambiare direzione.
L'Agente dei Pattern è l'artista. Osserva la forma delle barre dei prezzi e cerca di individuare disegni familiari, come una forma a "V" per un recupero rapido o un triangolo che suggerisce l'imminenza di un'esplosione. Trasforma le linee sinuose in forme riconoscibili.
L'Agente del Trend è il navigatore. Disegna linee sul grafico per vedere se il mercato sta generalmente andando verso l'alto, verso il basso o se è semplicemente bloccato nel traffico. Controlla se il prezzo sta rimbalzando su un pavimento (supporto) o colpendo un soffitto (resistenza).
L'Agente del Rischio è l'ufficiale di sicurezza. Prima che chiunque faccia una mossa, questo agente calcola esattamente quanto denaro si potrebbe perdere e imposta uno "stop-loss" (un punto in cui ci si ferma per salvare denaro) e un "take-profit" (un punto in cui si incassa il profitto).

Infine, un Agente Decisionale agisce come capitano. Ascolta i rapporti di tutti i quattro compagni di squadra, pesa le prove e prende la decisione finale: Compra (Long) o Vendi (Short). Il sistema è progettato per lavorare nella zona "high-frequency", il che significa che prende decisioni in ore o addirittura minuti, non giorni.

I ricercatori hanno testato questo team su nove diversi mercati finanziari, tra cui il Bitcoin, il petrolio greggio e i principali indici azionari come l'S&P 500. Hanno confrontato QuantHarness con un indovino casuale, un modello matematico semplice e un modello di machine learning standard. I risultati sono stati promettenti: in questi test, il team QuantHarness ha costantemente ottenuto previsioni più accurate su quale direzione avrebbe preso il mercato nelle ore successive. Ad esempio, sui futures del Nasdaq, ha migliorato l'accuratezza della previsione di circa il 26,5% rispetto a un indovino casuale. È anche riuscito a limitare meglio le perdite rispetto agli altri metodi nella maggior parte dei casi.

Tuttove, il documento è attento a non sostenere che si tratti di una macchina magica per fare soldi. Gli autori notano che il sistema funziona meglio su intervalli temporali di 1 ora e 4 ore. Quando hanno provato a usarlo su intervalli temporali ultra-brevi (come da 1 a 15 minuti), il sistema si è confuso con il "rumore" del mercato e la sua accuratezza è diminuita. Ammettono anche che il sistema non è ancora veramente "in tempo reale"; poiché l'IA deve pensare e chiamare i suoi strumenti, c'è un leggero ritardo che potrebbe essere troppo lento per le operazioni più veloci, quelle al split-second.

In definitiva, il documento suggerisce che combinando il potere di riconoscimento dei pattern dell'IA con la velocità e la struttura dei dati grezzi dei prezzi, possiamo costruire sistemi di trading che non siano solo più veloci, ma anche più facili da comprendere. Invece di una "black box" che prende decisioni misteriose, QuantHarness fornisce una spiegazione scritta chiara per ogni operazione, mostrando esattamente quale pattern o indicatore ha innescato il movimento. È un passo verso rendere il trading ad alta velocità meno simile a una scommessa e più simile a una scienza disciplinata e trasparente.

Sintesi Tecnica: QuantHarness

Definizione del Problema

I recenti progressi nei Large Language Models (LLM) hanno dimostrato capacità significative nel ragionamento finanziario, in particolare all'interno di framework multi-agente come TradingAgent e FINMEM. Tuttavia, questi sistemi esistenti sono progettati principalmente per compiti di investimento a lungo termine, facendo affidamento su input testuali non strutturati come articoli di notizie, sentiment dei social media e report sugli utili. Questa dipendenza presenta due criticità fondamentali per l'High-Frequency Trading (HFT):

Latenza e Ritardo: I segnali testuali spesso ritardano rispetto alla scoperta dei prezzi, poiché i mercati incorporano le informazioni nei prezzi prima che queste si riflettano in notizie o report.
Rumore e Struttura: Il testo non strutturato è rumoroso e difficile da validare, mentre l'HFT richiede decisioni rapide e di precisione critica guidate da segnali strutturati a breve termine.

Gli attuali framework basati su LLM sono inadatti alla velocità e alla natura strutturata dell'HFT, che dipende da indicatori tecnici, pattern grafici e feature di trend codificate direttamente nei dati Open-High-Low-Close (OHLC). Esiste una mancanza di framework che allinei il ragionamento degli LLM con segnali basati sul prezzo strutturati per il trading algoritmico ad alta frequenza in tempo reale.

Metodologia: QuantHarness

Per colmare questa lacuna, gli autori introducono QuantHarness, il primo framework multi-agente LLM esplicitamente progettato per il trading algoritmico ad alta frequenza. A differenza dei lavori precedenti che incorporano il sentiment esterno, QuantHarness opera esclusivamente su segnali di mercato derivati dal prezzo (dati OHLC), aderendo all'Ipotesi dell'Efficienza del Mercato che postula che i prezzi aggreghino tutte le informazioni disponibili.

Il sistema è costruito su LangGraph e scompone il processo di trading in quattro agenti specializzati e collaborativi:

IndicatorAgent:
- Funzione: Trasforma le sequenze OHLC grezze in segnali quantitativi strutturati.
- Meccanismo: Calcola cinque indicatori tecnici standard: Relative Strength Index (RSI), Moving Average Convergence Divergence (MACD), Rate of Change (ROC), Stochastic Oscillator (STOCH) e Williams %R.
- Ruolo: Fornisce un riepilogo resistente al rumore del momentum e del sentiment di mercato, astrarre i dati di prezzo di basso livello in feature di alto livello per il ragionamento a valle.
PatternAgent:
- Funzione: Esegue il ragionamento multimodale visivo e strutturale per rilevare formazioni grafiche.
- Meccanismo: Utilizza strumenti legati all'LLM per generare grafici a candele semplificati partendo dai dati grezzi. L'agente confronta poi queste visualizzazioni con una libreria di pattern canonici (ad esempio, Double Bottoms, Head and Shoulders, Triangoli) descritti in linguaggio naturale.
- Ruolo: Identifica strutture geometriche come picchi, minimi e consolidamenti, collegando i dati grafici grezzi al ragionamento di alto livello.
TrendAgent:
- Funzione: Analizza il momentum direzionale e la dinamica del trend.
- Meccanismo: Applica linee di regressione Ordinary Least Squares (OLS) ai massimi (resistenza) e minimi (supporto) locali recenti per generare un canale di trend. Calcola la pendenza media ( $\kappa_t$ ) per classificare i trend come Uptrend, Downtrend o Sideways.
- Ruolo: Determina il contesto strutturale del mercato, valutando se i pattern rilevati sono in linea con il trend prevalente o segnalano un'inversione.
RiskAgent & DecisionAgent:
- RiskAgent: Integra gli output degli agenti precedenti in un framework rischio-rendimento unificato. Imposta uno stop-loss fisso ( $\rho = 0.0005$ ) e calcola un livello di take-profit dinamico basato su un rapporto rischio-rendimento predetto dall'LLM ( $r \in [1.2, 1.8]$ ).
- DecisionAgent: Agisce come livello di esecuzione. Aggrega i segnali degli agenti Indicator, Pattern e Trend per prevedere la direzione del mercato per le successive tre candele. Produce una decisione strutturata (LONG o SHORT), una giustificazione concisa e un rapporto rischio-rendimento. Il sistema proibisce le decisioni "HOLD", forzando una scelta direzionale.

Contributi Chiave

Primo Framework LLM Orientato all'HFT: QuantHarness è il primo sistema multi-agente progettato specificamente per il trading ad alta frequenza, operando direttamente sui dati OHLC senza dipendere da input testuali ritardati.
Architettura Multi-Agente Specializzata: La decomposizione del trading in agenti Indicator, Pattern, Trend e Risk permette un processo decisionale modulare, interpretabile e cross-validato, imitando i flussi di lavoro dei desk di trading istituzionali.
Ragionamento Strutturato su Testo Non Strutturato: Il paper dimostra che allineare il ragionamento degli LLM con segnali di prezzo strutturati (indicatori tecnici e geometria dei grafici) è una via percorribile per sistemi decisionali in tempo reale, tracciabili e basati su HFT.
Interpretabilità: A differenza delle strategie algoritmiche tradizionali "black box", QuantHarness genera razionali in linguaggio naturale per ogni operazione, fornendo trasparenza nel processo decisionale.

Risultati Sperimentali

Gli autori hanno valutato QuantHarness su un benchmark composto da nove strumenti finanziari (inclusi Bitcoin, Nasdaq futures, S&P 500 e Crude Oil) su risoluzioni temporali di 1 ora e 4 ore. Il sistema è stato testato senza dimostrazioni pregresse o fine-tuning supervisionato, affidandosi al ragionamento zero-shot.

Metriche di Performance: QuantHarness è stato confrontato con Random Baselines, Linear Regression (LR), XGBoost e il framework TradingAgent.
Accuratezza Direzionale: QuantHarness ha costantemente superato i baseline. Ad esempio, sul Nasdaq (NQ) nell'intervallo a 4 ore, ha ottenuto un miglioramento del 26,5% nell'accuratezza direzionale rispetto al baseline casuale. Nella tempistica di 1 ora, ha mostrato guadagni pronunciati in asset come SPX, QQQ e BTC.
Rendimenti Corretti per il Rischio: Il sistema ha ottenuto le metriche di Rate of Return (RoR) più elevate ( $R_{cc}$ , $R_{max}$ , $R_{min}$ ) nella maggior parte degli asset testati, dimostrando la capacità di catturare trend profittevoli limitando efficacemente il rischio di ribasso.
Generalizzazione: La validazione a finestra mobile ha mostrato una robusta generalizzazione, raggiungendo fino all'80% di accuratezza direzionale nei compiti di previsione a breve termine continuo sull'S&P 500 (SPX).

Significato e Rivendicazioni

Il paper sostiene che QuantHarness valida l'ipotesi secondo cui accoppiare segnali di trading strutturati con il ragionamento basato su LLM crea un framework superiore per i mercati ad alta frequenza rispetto agli approcci basati sul testo.

Viabilità dell'Analisi Solo Prezzo: I risultati suggeriscono che l'analisi tecnica basata puramente sui dati di prezzo è sufficiente per il decision-making ad alta frequenza, poiché i prezzi riflettono intrinsecamente tutte le informazioni rilevanti.
Tracciabilità: Il framework offre un grado di tracciabilità e interpretabilità spesso assente nelle strategie algoritmiche tradizionali, poiché ogni decisione è accompagnata da una razionale nativa del linguaggio derivata da specifici indicatori e pattern.
Scalabilità: La struttura multi-agente fornisce una base scalabile per futuri sistemi finanziari in tempo reale ed efficienti dal punto di vista dei dati, che non richiedono analisi del sentiment esterno o supervisione umana.

Limitazioni

Gli autori riconoscono modestamente gli attuali vincoli:

Precisione su Micro-Orizzonti: La precisione predittiva degrada su intervalli di tempo ultra-brevi (1–15 minuti) a causa del rumore di mercato e dei rapidi cambi di regime.
Latenza: L'attuale architettura non è realmente in tempo reale per il trading sub-minuto, poiché il ciclo di inferenza che coinvolge molteplici chiamate all'LLM e tool binding introduce una latenza che può superare la finestra sfruttabile per le opportunità a 1 minuto. Il lavoro futuro suggerisce di snellire l'orchestrazione dei tool o di spostare la logica verso modelli edge per affrontare questo problema.