💰 quantitative finance

AgenticAITA: A Proof-Of-Concept About Deliberative Multi-Agent Reasoning for Autonomous Trading Systems

Dit artikel introduceert AGENTICAITA, een proof-of-concept raamwerk dat traditionele algoritmische handel vervangt door een trainingsvrij, multi-agent deliberatief systeem waarin gespecialiseerde LLM's autonoom redeneren, onderhandelen en transacties uitvoeren onder strikte veiligheidsbeperkingen, met succesvolle demonstratie van operationele haalbaarheid tijdens een vijfdaagse live-marktdroge-loop.

Oorspronkelijke auteurs: Ivan Letteri

Gepubliceerd 2026-05-14

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ivan Letteri

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 een handelsvloer met hoge risico's voor waar, in plaats van één menselijke handelaar die beslissingen in een splitseconde neemt, een team van gespecialiseerde robots samenwerkt. Maar dit zijn geen simpele robots die een star script volgen; het zijn "denkende" robots aangedreven door geavanceerde AI die kunnen redeneren, argumenteren en onderhandelen met elkaar voordat ze een zet doen.

Dit artikel introduceert AGENTICAITA, een nieuw systeem dat dit idee test in de chaotische wereld van cryptohandel. Hieronder wordt uitgelegd hoe het werkt, opgesplitst in eenvoudige concepten:

Het Kernprobleem: Waarom Oude Systemen Falen

Traditionele handelsbots zijn als autopiloten in een vliegtuig. Ze zijn geprogrammeerd met specifieke regels (bijvoorbeeld: "Als de prijs 5% daalt, koop"). Ze werken uitstekend bij rustig weer, maar als de markt plotseling van persoonlijkheid verandert (een "regime shift"), raken deze bots in de war omdat ze niet kunnen aanpassen of nadenken over waarom dingen gebeuren. Ze volgen gewoon het script, zelfs wanneer het script niet langer zinvol is.

De Oplossing: Een Team van AI-Specialisten

AGENTICAITA vervangt de enkele autopilot door een deliberatief team. Het berekent niet zomaar een getal; het houdt een vergadering. Het systeem is gebouwd op vier belangrijkste "gadgets" die dit team georganiseerd en veilig houden:

1. De "Slimme Alarm" (AZTE)

Stel je voor dat je een drukke straat bekijkt. Je hoeft je team van experts niet te bellen elke keer dat er een auto voorbijrijdt. Je belt hen alleen als er iets vreemds gebeurt, zoals een auto die de verkeerde kant op rijdt of een plotselinge explosie.

Hoe het werkt: Deze module houdt de markt voortdurend in de gaten. Het wekt het AI-team alleen op wanneer het een statistisch "vreemd" evenement detecteert (een grote prijsstijging of -daling). Dit bespaart energie en voorkomt dat de AI overweldigd raakt door ruis.

2. De "Comité van Drie" (SDP)

Zodra het alarm afgaat, handelt de AI niet zomaar. Het voert een gestructureerde vergadering uit met drie distincte rollen, die communiceren via strikte digitale contracten (zoals het invullen van een formulier):

De Analist: Deze agent kijkt naar de data en zegt: "Ik denk dat we dit moeten kopen of verkopen." Het schrijft zijn redenering op.
De Risicomanager: Dit is de strenge baas. Het geeft niets om de verfijnde redenering van de Analist; het controleert alleen de regels. "Is de inzet te groot? Is de stop-loss te breed?" Als de regels niet worden nageleefd, slaat het de deur dicht en zegt "Nee".
De Executor: Dit is de enige agent die daadwerkelijk de transactie mag plaatsen. Het wacht op het groene licht van de Risicomanager.
De Magie: Omdat ze gescheiden zijn, kunnen ze het oneens zijn. De Analist wil misschien kopen, maar de Risicomanager kan zeggen: "Nee, dat is te riskant." Deze "wrijving" bewijst dat ze echt nadenken en niet zomaar een script herhalen.

3. De "Verkeersagent" (IGP)

Stel je een drukke keuken voor waar vijf koks tegelijk proberen de enige kookplaat te gebruiken. Er ontstaat chaos.

Hoe het werkt: Het AI-systeem is duur om te draaien. De "Verkeersagent" zorgt ervoor dat er op dat moment slechts één handelsbeslissing wordt verwerkt. Als twee vreemde marktevenementen tegelijkertijd gebeuren, laat de agent één door en zegt beleefd tegen de ander dat het moet wachten. Dit houdt het systeem ordelijk en creëert een perfect, onveranderlijk verslag van elke beslissing.

4. De "Diversiteitscore" (CBD)

In beleggen, als je tien verschillende aandelen koopt die allemaal exact hetzelfde bewegen, ben je niet echt gediversifieerd; je wedt gewoon tien keer op één ding.

Hoe het werkt: Het systeem berekent een score om te zien of een nieuw actief onafhankelijk beweegt van de hoofdmarkt (Bitcoin). Het geeft de voorkeur aan activa die hun eigen gang gaan, zodat het team niet gewoon wedden stapelt op hetzelfde resultaat.

Het Experiment: Een "Droge Loop"

De onderzoekers testten dit systeem gedurende vijf dagen in een live marktomgeving, maar met een vangnet: Er werd geen echt geld riskeerd.

Ze lieten de AI 157 beslissingen nemen over 76 verschillende activa.
Het systeem draaide volledig op eigen kracht met nul menselijke tussenkomst.
Het Resultaat: Het team werkte precies zoals ontworpen. De "Risicomanager" zei ongeveer 3% van de ideeën van de Analist "Nee", en de "Analist" besloot 8% van de kansen te laten schieten. Deze "wrijving" bewees dat de agenten eigenlijk onderhandelden en niet zomaar blind orders volgden.

De Uitkomst: Heb Het Geld Verdient?

Hier is het eerlijke deel: Het systeem verloor een klein bedrag (ongeveer $15) tijdens de test.

Echter, de markt was in die vijf dagen in een vreselijke crash terechtgekomen. Iemand die gewoon Bitcoin had vastgehouden, zou $3.912 hebben verloren.
In vergelijking met die ramp presteerde AGENTICAITA veel beter, en bewaarde effectief het kapitaal.
Het artikel geeft toe dat dit slechts een proof-of-concept is. Het bewijst dat de architectuur werkt (het team kan praten, onderhandelen en veilig blijven), maar het is te vroeg om te zeggen of het op lange termijn winstgevend zal zijn. Het systeem had een lichte bias naar kopen ("long gaan") toen de markt daalde, wat het enkele punten kostte.

De Conclusie

Dit artikel claimt niet een geldprintmachine te hebben uitgevonden. In plaats daarvan claimt het een nieuw type handelsmotor te hebben gebouwd.

Het hoeft niet "getraind" te worden op historische data zoals een student die voor een examen leert.
Het gebruikt een team van AI-agenten die met elkaar argumenteren en elkaar controleren.
Het heeft ingebouwde veiligheidsmechanismen die de AI kunnen overrulen als het gevaarlijk wordt.
Het creëert een perfect, leesbaar logboek van elke gedachte en beslissing.

De auteurs zeggen: "We hebben de auto gebouwd en we hebben hem vijf dagen veilig door een storm gereden. Hij is niet gecrasht en hij heeft de storm beter aangehanteerd dan alleen maar in een geparkeerde auto te zitten. Nu moeten we hem 90 dagen laten rijden om te zien of hij daadwerkelijk een race kan winnen."

Technische Samenvatting: AGENTICAITA

1. Probleemstelling

Conventionele algoritmische trading-systemen vertrouwen op deterministische heuristieken of offline-getrainde statistische modellen (bijvoorbeeld versterkend leren, statische optimalisatie). Deze systemen staan voor een fundamentele beperking: ze coderen kennis op het moment van training en missen het vermogen tot expliciete, inferentie-tijd deliberatie wanneer ze geconfronteerd worden met nieuwe, snel veranderende marktregeimes. Ze kunnen zich niet aanpassen aan de semantische complexiteit van nieuwe marktomstandigheden zonder hertraining, waardoor ze kwetsbaar zijn voor distributieve verschuivingen. Bovendien zijn bestaande Large Language Model (LLM)-toepassingen in de financiën (bijvoorbeeld FinGPT, BloombergGPT) grotendeels beperkt tot Natural Language Processing (NLP)-taken of adviserende rollen, en slagen ze er niet in om direct te integreren in de uitvoeringscontrolelus met strikte veiligheidsbeperkingen.

2. Methodologie en Systeemarchitectuur

AGENTICAITA is een proof-of-concept raamwerk dat is ontworpen om het traditionele "signaal-gevolgd-door-uitvoering"-paradigma te vervangen door een volledig autonoom, deliberatief multi-agent-lus. Het systeem werkt zonder offline training of menselijke interventie, en vertrouwt in plaats daarvan op gestructureerde redenering tussen gespecialiseerde LLM-agents.

De architectuur is ingezet als gecontaineriseerde microservices over een geïsoleerd privaat netwerk en bestaat uit vier kernmodules:

A. Adaptieve Z-score Trigger Engine (AZTE)

Als cognitieve resource-allocaator voorkomt de AZTE dat de dure LLM-inferentie-pijplijn activeert tijdens periodes van laag-entropisch ruis.

Mechanisme: Het berekent een instantane terugkeer-magnitude ( $r_t$ ) en vergelijkt deze met een rollende basislijn (30 observaties) om een anomalie Z-score ( $z_t$ ) te genereren.
Trigger-Logica: De pijplijn activeert als $z_t \ge 2.0$ (statistische anomalie) OF $r_t \ge 0.003$ (absolute terugkeer-bodem).
Innovatie: Deze dubbele-conditiebenadering zorgt voor regime-invariantie, past zich aan volatiliteitsniveaus aan zonder handmatige herkalibratie, terwijl de absolute bodem numerieke instabiliteit tijdens periodes met lage volatiliteit voorkomt.

B. Sequentiële Deliberatieve Pijplijn (SDP)

Dit is de kernbijdrage van de agenten, die besluitvorming ontleedt in een keten van drie gespecialiseerde agents die communiceren via getypeerde JSON-contracten om rolvermenging en bevestigingsbias te voorkomen.

Analist Agent: Ontvangt marktc context (OHLCV, orderboek, financieringsrates, episodisch geheugen) en de Correlation-Break Diversificatie (CBD)-score. Het outputt een gestructureerd trading-signaal (long/short/wachten) met vertrouwen en redenering.
Risicomanager Agent: Bedient een hybride poort.
- Laag A (Deterministisch): Handhaaft harde beperkingen (bijvoorbeeld signaalvaliditeit, vertrouwen $\ge 0.60$ , stop-loss limieten, maximale positiegrootte van $500) voordat enige LLM-aanroep plaatsvindt.
- Laag B (LLM): Als Laag A slaagt, voert de LLM contextuele validatie en positiegrootte-kalibratie uit.
Executor Agent: De enige agent met externe neveneffecten. Het routeert orders via een privacybehoudend kanaal (Tor/VPN) in "LIVE"-modus of logt beslissingen in "DRY_RUN"-modus.

C. Inferentie-poort Protocol (IGP)

Een mutex-gebaseerde planner die gelijktijdige toegang tot gedeelde LLM-inferentiebronnen reguleert.

Functie: Het serialiseert agent-activaties, zodat er maar één pijplijn tegelijk draait. Dit voorkomt race-omstandigheden, zorgt voor deterministische uitvoering en handhaaft een minimale cognitieve verblijftijd, waardoor micro-oscillaties worden gefilterd.

D. Correlation-Break Diversificatie (CBD)

Een samengestelde score ( $\Omega$ ) geïntegreerd in de redenering van de Analyst om portfolio-level idiosyncratische signaalprioritering te operationaliseren.

Formule: $\Omega = \alpha \tilde{z}_t + (1-\alpha)\rho_{cb}$ , waarbij $\tilde{z}_t$ een verzadigde anomalie-score is en $\rho_{cb}$ een decorrelatiemetriek tegen Bitcoin.
Doel: Het prikkelt de selectie van activa die onafhankelijk van de bredere markt bewegen, met als doel illusoire diversificatie te verminderen.

E. Privacy en Uitvoering

Het systeem maakt gebruik van een dubbelkanaals routing-architectuur: markdata wordt opgehaald via directe HTTPS, terwijl orderuitvoering wordt gerouteerd via een Tor-circuit en VPN om de koppeling tussen agentidentiteit en trading-activiteit te verminderen.

3. Experimentele Resultaten

Het raamwerk werd gevalideerd tijdens een vijfdaagse autonome droge-loop sessie (6–11 april 2026) op een decentrale perpetual futures-uitwisseling met live markdata. Het systeem gebruikte het qwen3.5:9b-model via Ollama.

Operationele Correctheid: Het systeem voerde 157 autonome pijplijn-uitvoeringen uit over 76 unieke activa met nul menselijke interventies.
Agentische Wrijving: Het systeem vertoonde een wrijvingspercentage van 11,5% ( $F = 11,5\%$ ), berekend als de som van zelf-onthoudingen door de Analyst (8,3%) en harde-poort-afwijzingen door de Risicomanager (3,2%). Dit bevestigt dat agents onafhankelijk oordeelden in plaats van passief signalen door te geven.
Prestatiemetingen:
- Netto P&L: –$15,07 (–0,058% op een nominale waarde van $26.079).
- Winstpercentage: 51,80% (72 winnende, 67 verliezende trades).
- Winstfactor: 0,841 (wat wijst op een structureel verlies in absolute termen tijdens dit specifieke ongunstige regime).
- Benchmarks Vergelijking: Tegenover een passieve BTC buy-and-hold-strategie over dezelfde periode (die ongeveer 15% verloor of –$3.912), bereikte AGENTICAITA een benchmark-relatieve alpha van +14,94 procentpunten.
Statistische Significantie: De auteurs stellen expliciet dat de steekproefgrootte (139 trades) onvoldoende is voor statistisch robuuste prestatie-inferentie. Een binomiale test levert een p-waarde van ~0,34 op, wat betekent dat er op dit stadium geen statistisch significant directioneel voordeel kan worden geclaimd.

4. Belangrijkste Bijdragen

Het paper identificeert vier architecturale bijdragen die AGENTICAITA onderscheiden van eerdere systemen:

Training-vrije Orkestratie: In tegenstelling tot op RL gebaseerde systemen vereist het geen taak-specifieke training, fine-tuning of beleids-optimalisatie, waardoor kwetsbaarheden voor distributieve verschuivingen worden geëlimineerd.
Deterministische Veiligheidsbeperkingen: Het systeem handhaaft verifieerbare risicolimieten via harde poorten en getypeerde contracten, waardoor agent-gedrag wordt begrensd, onafhankelijk van LLM-stochasticiteit.
Cognitieve Resource-allocatie: De AZTE- en IGP-modules beheren computatiekosten en concurrentie, zodat het systeem alleen activeert bij hoog-informatieve gebeurtenissen en uitvoering serialiseert voor auditbaarheid.
Episodisch Geheugen & Deliberatie: Het systeem implementeert cross-episode persistentie en een gestructureerde deliberatieve pijplijn (Analyst $\to$ Risicomanager $\to$ Executor) die onderhandeling tussen agents en zelf-onthouding mogelijk maakt.

5. Betekenis en Claims

Het paper positioneert AGENTICAITA als een voorlopige proof-of-concept die de haalbaarheid vaststelt van training-vrije, deterministische, veiligheids-beperkte multi-agent-orkestratie in financiële besluitvormingslussen.

Bescheiden Claims: De auteurs claimen geen statistisch robuust trading-voordeel of langetermijnwinstgevendheid. Ze kaderen de resultaten expliciet als "regime-specifieke operationele indicatoren" die aantonen dat de deliberatieve pijplijn correct functioneert onder live marktomstandigheden.
Primaire Waarde: De betekenis ligt in de architecturale validatie: het bewijzen dat een multi-agent-systeem autonoom kan waarnemen, redeneren, onderhandelen en handelen binnen strikte veiligheidsgrenzen zonder menselijke interventie.
Beperkingen: Het paper erkent verschillende beperkingen, waaronder het ontbreken van transactiekostenmodellering in de droge-loop (wat de P&L verder zou verlagen), de lange-directionele bias van de LLM (90,4% long-signalen), en de noodzaak van een 90-daagse live implementatie met 500+ trades om statistische validiteit te vestigen.

Kortom, AGENTICAITA demonstreert dat agentische AI zo kan worden ontworpen dat het veilig en autonoom opereert in financiële markten, waarbij operationele correctheid en auditbaarheid prioriteit krijgen boven directe winstgeneratie in deze initiële validatiefase.