💻 computer science

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

Het artikel introduceert QuantHarness, een nieuw multi-agent LLM-framework dat specifiek is ontworpen voor hoogfrequente handel en gebruikmaakt van gespecialiseerde agenten om gestructureerde signalen met een korte horizon te verwerken, waarmee het superieure voorspellende nauwkeurigheid en real-time besluitvormingscapaciteiten demonstreert vergeleken met bestaande modellen voor de lange horizon die op tekst zijn gebaseerd.

Oorspronkelijke auteurs: Fei Xiong, Xiang Zhang, Aosong Feng, Siqi Sun, Chenyu You

Gepubliceerd 2026-07-28

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Fei Xiong, Xiang Zhang, Aosong Feng, Siqi Sun, Chenyu You

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je de aandelenmarkt voor als een enorme, chaotische oceaan. Al decennia lang proberen zeelieden (traders) de golven te voorspellen met behulp van twee belangrijke kaarten. De eerste kaart is een weerbericht vol nieuws, geruchten en gesprekken op sociale media — wat mensen zeggen dat er gebeurt. De tweede kaart is het water zelf: de werkelijke stijging en daling van de golven, vastgelegd in precieze cijfers. De meeste moderne computerprogramma's die de markt proberen te voorspellen, zijn geobsedeerd door de weerberichten; ze lezen miljoens nieuwsartikelen om te raden waar het water als volgende naartoe zal gaan. Maar hier is de crux: tegen de tijd dat een nieuwsbericht op internet verschijnt, heeft het water vaak al bewogen. De golven zijn al verschoven, en het nieuws is slechts een trage echo.

Dit is waar een nieuw idee om de hoek komt kijken: wat als we stopten met het lezen van de weerberichten en gewoon naar het water gingen kijken? Deze aanpak, genaamd "technische analyse", gaat ervan uit dat elk stukje nieuws, elke angst en elke hoop al verwerkt zit in de prijs van het activum. Als je de patronen in de prijsbewegingen zelf kunt lezen, kun je de volgende golf misschien sneller voorspellen dan wie dan ook die het nieuws leest. Stel je nu voor dat je een superintelligent computerbrein (een Large Language Model) de taak geeft om deze waterpatronen te lezen. Normaal gesproken zijn deze breinen goed in het schrijven van verhalen of het chatten, maar ze kunnen traag en gemakkelijk afgeleid zijn door te veel tekst. Dit artikel stelt een eenvoudige, gedurfde vraag: kunnen we deze AI-breinen leren om de ruis te negeren en razendsnelle experts te worden in het lezen van de ruwe cijfers van de markt om in real-time te handelen?

Dit artikel introduceert QuantHarness, een nieuw systeem ontworpen om die vraag te beantwoorden. Zie QuantHarness niet als een enkele handelaar, maar als een klein, razendsnel handelsteam van vier gespecialiseerde robots die allemaal samenwerken binnen een computer. In tegen tegenstelling tot andere AI-handelaren die urenlang nieuwsberichten lezen, kijkt dit team alleen naar de "candlestick"-grafieken — de ruwe, kleurrijke balken die de openings-, hoog-, laag- en slotkoersen van een activum laten zien over een korte periode.

Het team bestaat uit vier verschillende agenten, elk met een specifieke taak:

De Indicator Agent is de wiskundige slimme. Het neemt de ruwe prijsbalken en berekent snel bekende "snelheidsmeters" zoals RSI en MACD. Deze instrumenten vertellen het team of de markt te snel beweegt, of hij moe is, of dat hij op het punt staat om om te draaien.
De Pattern Agent is de kunstenaar. Het kijkt naar de vorm van de prijsbalken en probeert bekende tekeningen te herkennen, zoals een "V"-vorm voor een snel herstel of een driehoek die suggereert dat er een grote explosie aan komt. Het zet de kronkelige lijnen om in herkenbare vormen.
De Trend Agent is de navigator. Het tekent lijnen op de grafiek om te zien of de markt over het algemeen omhoog gaat, omlaag gaat, of gewoon in de file staat. Het controleert of de prijs afstoot van een vloer (steun) of tegen een plafond aanstoot (weerstand).
De Risk Agent is de veiligheidsofficier. Voordat iemand een zet doet, berekent deze agent precies hoeveel geld er verloren zou kunnen worden en stelt een "stop-loss" in (een punt waar je stopt om geld te besparen) en een "take-profit" (een punt waar je winst verzilvert).

Ten slotte fungeert een Decision Agent als de kapitein. Hij luistert naar de rapporten van alle vier de teamgenoten, weegt het bewijs af en maakt de definitieve keuze: Kopen (Long) of Verkopen (Short). Het systeem is ontworpen om te werken in de "high-frequency" zone, wat betekent dat het beslissingen neemt in uren of zelfs minuten, niet in dagen.

De onderzoekers hebben dit team getest op negen verschillende financiële markten, waaronder Bitcoin, ruwe olie en belangrijke aandelenindices zoals de S&P 500. Ze vergeleken QuantHarness met een willekeurige gokker, een eenvoudig wiskundig model en een standaard machine learning-model. De resultaten waren veelbelovend: in deze tests maakte het QuantHarness-team consequent nauwkeurigere voorspellingen over de richting waarin de markt zich in de volgende paar uur zou bewegen. Op de Nasdaq-futures verbeterde de voorspellingsnauwkeurigheid bijvoorbeeld met ongeveer 26,5% vergeleken met een willekeurige gok. Het slaagde er ook in om verliezen in de meeste gevallen beter te beperken dan de andere methoden.

Het artikel is echter voorzichtig met het claimen dat dit een magische geldmachine is. De auteurs merken op dat het systeem het beste werkt op tijdskaders van 1 uur en 4 uur. Wanneer ze het probeerden te gebruiken op ultra-korte tijdskaders (zoals 1 tot 15 minuten), raakte het systeem in de war door de "ruis" van de markt, en daalde de nauwkeurigheid. Ze geven ook toe dat het systeem nog niet echt "real-time" is; omdat de AI moet nadenken en zijn tools moet aanroepen, is er een lichte vertraging die te traag kan zijn voor de allersnelste, fracties van seconden durende transacties.

Uiteindelijk suggereert het artikel dat door de patroonherkennende kracht van AI te combineren met de snelheid en structuur van ruwe prijsgegevens, we handelsystemen kunnen bouwen die niet alleen sneller maar ook begrijpelijker zijn. In plaats van een "black box" die mysterieuze beslissingen neemt, geeft QuantHarness een duidelijke, geschreven uitleg voor elke transactie, waarbij precies wordt getoond welke patroon of indicator de beweging heeft getriggerd. Het is een stap naar het maken van high-speed trading minder een gok en meer een gedisciplineerde, transparante wetenschap.

Technische Samenvatting: QuantHarness

Probleemstelling

Recente vooruitgang in Large Language Models (LLM's) heeft significante capaciteiten aangetoond in financieel redeneren, met name binnen multi-agent frameworks zoals TradingAgent en FINMEM. Deze bestaande systemen zijn echter primair ontworpen voor investeringstaken met een lange horizon en vertrouwen zwaar op ongestructureerde tekstuele inputs zoals nieuwsartikelen, sentiment op sociale media en kwartaalcijfers. Deze afhankelijkheid presenteert twee kritieke beperkingen voor High-Frequency Trading (HFT):

Latentie en Lag: Tekstuele signalen lopen vaak achter op de prijsontdekking, aangezien markten informatie verwerken in prijzen voordat deze wordt weerspiegeld in nieuws of rapporten.
Ruis en Structuur: Ongestructureerde tekst is ruisachtig en moeilijk te valideren, terwijl HFT behoefte heeft aan snelle, precisie-kritische beslissingen die worden gedreven door gestructureerde signalen met een korte horizon.

Huidige LLM-gebaseerde financiële frameworks zijn slecht geschikt voor de snelheid en de gestructureerde aard van HFT, die afhangt van technische indicatoren, grafiekpatronen en trendkenmerken die direct zijn gecodeerd in Open-High-Low-Close (OHLC) data. Er is een gebrek aan frameworks die LLM-redenering afstemmen op gestructureerde, prijsgebaseerde signalen voor real-time, high-frequency algoritmische handel.

Methodologie: QuantHarness

Om dit gat te dichten, introduceren de auteurs QuantHarness, het eerste multi-agent LLM-framework dat expliciet is ontworpen voor high-frequency algoritmische handel. In tegen tegenstelling tot eerdere werken die externe sentimenten integreren, opereert QuantHarness uitsluitend op prijsafgeleide marktsignalen (OHLC-data), conform de Efficiënte Markthypothese die stelt dat prijzen alle beschikbare informatie aggregeren.

Het systeem is gebouwd op LangGraph en decomponeert het handelsproces in vier gespecialiseerde, samenwerkende agenten:

IndicatorAgent:
- Functie: Transformeert ruwe OHLC-sequenties naar gestructureerde kwantitatieve signalen.
- Mechanisme: Het berekent vijf standaard technische indicatoren: Relative Strength Index (RSI), Moving Average Convergence Divergence (MACD), Rate of Change (ROC), Stochastic Oscillator (STOCH) en Williams %R.
- Rol: Levert een ruisbestendige samenvatting van marktmomentum en sentiment, waarbij laag-niveau prijsdata wordt geabstraheerd naar hoog-niveau kenmerken voor downstream redenering.
PatternAgent:
- Functie: Voert visuele en structurele multi-modale redenering uit om grafiekvormingen te detecteren.
- Mechanisme: Het maakt gebruik van LLM-gebonden tools om vereenvoudigde candlestick-grafieken te genereren vanuit ruwe data. De agent vergelijkt vervolgens deze visualisaties met een bibliotheek van canonieke patronen (bijv. Double Bottoms, Head and Shoulders, Triangles) die in natuurlijke taal zijn beschreven.
- Rol: Identificeert geometrische structuren zoals pieken, dalen en consolidaties, waardoor de brug wordt geslagen tussen ruwe grafiekdata en hoog-niveau redenering.
TrendAgent:
- Functie: Analyseert directioneel momentum en trenddynamiek.
- Mechanisme: Het past Ordinary Least Squares (OLS) regressielijnen toe op recente lokale hoogtes (weerstand) en laagtes (steun) om een trendkanaal te generen. Het berekent de gemiddelde helling ( $\kappa_t$ ) om trends te classificeren als Uptrend, Downtrend of Sideways.
- Rol: Bepaalt de structurele context van de markt en beoordeelt of gedetecteerde patronen overeenkomen met de heersende trend of een omkeer signaleren.
RiskAgent & DecisionAgent:
- RiskAgent: Integreert de outputs van de vorige agenten in een uniform risico-rendementskader. Het stelt een vaste stop-loss ( $\rho = 0.0005$ ) in en berekent een dynamisch take-profit niveau op basis van een door de LLM voorspelde risico-rendementsratio ( $r \in [1.2, 1.8]$ ).
- DecisionAgent: Fungeert als de executielaag. Het aggregeert signalen van de Indicator-, Pattern- en Trend-agents om de marktdirection voor de volgende drie candlesticks te voorspellen. Het geeft een gestructureerde beslissing (LONG of SHORT), een beknopte rechtvaardiging en een risico-rendementsratio uit. Het systeem verbiedt "HOLD"-beslissingen, waardoor een directionele keuze wordt afgedwongen.

Belangrijkste Bijdragen

Eerste HFT-georiënteerd LLM-framework: QuantHarness is het eerste multi-agent systeem dat specifief is ontworpen voor high-frequency trading, opererend direct op OHLC-data zonder afhankelijkheid van vertragende tekstuele inputs.
Gespecialiseerde Multi-Agent Architectuur: De decompositie van handel in Indicator-, Pattern-, Trend- en Risk-agents maakt een modulaire, interpreteerbare en kruis-gevalideerde besluitvorming mogelijk, wat de workflow van institutionele handelsdesks nabootst.
Gestructureerde Redenering over Ongestructureerde Tekst: Het paper demonstreert dat het afstemmen van LLM-redenering op gestructureerde prijssignalen (technische indicatoren en grafiekgeometrie) een levensvatbaar pad is voor traceerbare, real-time beslissingssystemen in HFT.
Interpreteerbaarheid: In tegen tegenstelling tot traditionele "black box" algoritmische strategieën, genereert QuantHarness natuurlijke taal-rationales voor elke transactie, wat transparantie biedt in het besluitvormingsproces.

Experimentele Resultaten

De auteurs evalueerden QuantHarness op een benchmark bestaande uit negen financiële instrumenten (waaronder Bitcoin, Nasdaq-futures, S&P 500 en Crude Oil) over 1-uur en 4-uur tijdsresoluties. Het systeem werd getest zonder voorafgaande demonstraties of supervised fine-tuning, waarbij werd vertrouwd op zero-shot redenering.

Prestatie-metrieken: QuantHandness werd vergeleken met Random Baselines, Lineaire Regressie (LR), XGBoost en het TradingAgent-framework.
Directionele Nauwkeurigheid: QuantHarness presteerde consequent beter dan de baselines. Zo behaalde het op de Nasdaq (NQ) 4-uur interval een verbetering van 26,5% in directionele nauwkeurigheid ten opzichte van de random baseline. In het 1-uur tijdskader toonde het uitgesproken winsten in activa zoals SPX, QQQ en BTC.
Risico-gecorrigeerde Rendementen: Het systeem behaalde de hoogste Rate of Return (RoR) metrieken ( $R_{cc}$ , $R_{max}$ , $R_{min}$ ) in de meerderheid van de geteste activa, wat duidt op een vermogen om winstgevende trends te vangen terwijl neerwaartse risico's effectief worden beperkt.
Generalisatie: Rolling-window validatie toonde een robuuste generalisatie, met een bereikte directionele nauwkeurigheid van tot wel 80% in continue korte-termijn voorspellingstaken op de S&P 500 (SPX).

Betekenis en Claims

Het paper claimt dat QuantHarness de hypothese valideert dat het koppelen van gestructureerde handels-signalen aan LLM-gebaseerde redenering een superieur framework creëert voor high-frequency markten vergeleken met tekstgedreven benaderingen.

Haalbaarheid van Prijs-alleen Analyse: De resultaten suggereren dat technische analyse gebaseerd op louter prijsdata voldoende is voor high-frequency besluitvorming, aangezien prijzen inherent alle relevante marktinformatie reflecteren.
Traceerbaarheid: Het framework biedt een mate van traceerbaarheid en interpreteerbaarheid die vaak ontbreekt bij traditionele algoritmische strategieën, aangezien elke beslissing vergezeld gaat van een taal-native rationale afgeleid van specifieke indicatoren en patronen.
Schaalbaarheid: De multi-agent structuur biedt een schaalbare basis voor toekomstige real-time, data-efficiënte financiële systemen die geen externe sentimentanalyse of menselijk toezicht vereisen.

Beperkingen

De auteurs erkennen bescheiden de huidige beperkingen:

Micro-Horizon Nauwkeurigheid: De voorspellende precisie neemt af op ultra-korte tijdskaders (1–15 minuten) door marktruis en snelle regime-verschuivingen.
Latentie: De huidige architectuur is niet werkelijk real-time voor sub-minuut handel, aangezien de inferentiecyclus met meerdere LLM-calls en tool-bindings een latentie introduceert die de exploiteerbare window voor 1-minuut kansen kan overschrijden. Toekomstig werk suggereert het stroomlijnen van tool-orchestratie of het verplaatsen van logica naar edge-modellen om dit aan te pakken.