🤖 AI

F $^2$ Agent: Financial Fusion of Agentic Intelligence for Multimodal Trading

F $^2$ Agent is een nieuw multimodale handelsframework dat een hiërarchie van gespecialiseerde agenten en een ruisbestendige adaptieve fusiemechanisme benut om cross-modale afhankelijkheden effectief te vangen, waarbij het bestaande baselines aanzienlijk overtreft in jaargeannualiseerde rendementen over diverse financiële activa.

Oorspronkelijke auteurs: Changshuo Liu, Yanzheng Jin, Shangfeng Cai, Peng Fang, Xiaokui Xiao, Beng Chin Ooi

Gepubliceerd 2026-08-07

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Changshuo Liu, Yanzheng Jin, Shangfeng Cai, Peng Fang, Xiaokui Xiao, Beng Chin Ooi

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 gigantische, chaotische keuken waar chefs proberen te voorspellen hoe de volgende grote maaltijd zal smaken. Om een goede gok te wagen, moeten ze naar veel verschillende ingrediënten kijken: de prijs van het eten (cijfers), de weersverwachting (nieuws), de stemming van de klanten (sentiment) en het geheime recept van de chef zelf (technische patronen). Lange tijd konden computers die probeerden handelsstrategieën te "koken" slechts één of twee ingrediënten tegelijk proeven, of ze mengden ze allemaal tot een rommelige bende zonder echt te begrijpen hoe ze samenkwamen. Dit artikel introduceert een nieuw soort "superchef"-systeem genaamd F2Agent. Het is gebouwd op het idee dat je, in plaats van één groot brein dat alles probeert te doen, een team van gespecialiseerde experts nodig hebt die elk gefocust zijn op één ingrediënt, en vervolgens een slimme manager die precies weet hoe hij hun meningen moet mengen zonder in de war te raken door de ruis of de leugens. Het doel? De computer stoppen met in de strik lopen door nepnieuws of willekeurige prijsschommelingen en daadwerkelijk geld verdienen door het hele plaatje te zien.

Het artikel presenteert F2Agent, een nieuw handelsysteem dat werkt als een hightech team van specialisten die samenwerken om te voorspellen of de koers van een aandeel zal stijgen of dalen. Denk aan een sportteam waar je niet alleen één speler hebt die alles probeert te doen; je hebt een toegewijde spits voor de doelpunten, een verdediger om te blokkeren en een coach voor de strategie. In het geval van F2Agent zijn er vier gespecialiseerde "agents" (kleine AI-werkers):

De Marktanalyist: Kijkt strikt naar de ruwe cijfers van aandelenkoersen en volumes (zoals het kijken naar de score en de klok).
De Technisch Analist: Bestudeert de patronen en trends in de data (zoals het controleren van de statistieken en het momentum van een speler).
De Nieuwsanalist: Leest artikelen en rapporten om het verhaal achter het aandeel te begrijpen (zoals luisteren naar het interview van de coach).
De Sentimentanalist: Peilt de "stemming" van de menigte op basis van sociale media en koppen (zoals aanvoelen of de fans juichen of boeien).

De magie van F2Agent zit niet alleen in het hebben van deze vier experts; het zit in de manier waarop ze met elkaar communiceren. Oudere systemen gooiden al deze informatie vaak gewoon in één emmer, wat ervoor zorgde dat de computer in de war raakte of overweldigd werd door "ruis" (zoals een luidruchtige fan die een gerucht schreeuwt dat niet waar is). F2Agent gebruikt een speciaal mechanisme genaamd "Modality-aware Adaptive Fusion". Stel je een dirigent van een orkest voor die precies weet wanneer hij de drums hard laat spelen en wanneer hij de violen de overhand laat nemen, zodat geen enkel instrument de anderen overstemt. Dit systeem bepaalt dynamisch welke expert op welk moment gelijk heeft. Als het nieuws schreeuwt "KOOP!" maar de prijscijfers schreeuwen "VERKOOP!", raakt F2Agent niet in paniek; het weegt het bewijs zorgvuldig af om de waarheid te vinden.

Om ervoor te zorgen dat het team niet wordt misleid door nepnieuws of plotselinge marktstoringen, gebruikt het systeem ook "Noise-robust Consistency Regularization". Je kunt dit zien als een "leugendetectortest". Het systeem vraagt zichzelf af: "Als ik deze ene piece van ruizige informatie negeer, maakt mijn beslissing dan nog steeds zin?" Als het antwoord nee is, weet het systeem dat die informatie waarschijnlijk slechts een afleiding was en negeert het deze. Dit helpt het systeem om kalm en stabiel te blijven, zelfs wanneer de markt gek doet.

De onderzoekers hebben dit systeem getest op zes verschillende activa, waaronder populaire aandelen zoals Apple (AAPL), Google (GOOG), Tesla (TSLA) en zelfs Bitcoin (BTCUSD). Ze vergeleken F2Agent met 16 andere methoden, variërend van eenvoudige regelgebaseerde strategieën tot andere geavanceerde AI-modellen. De resultaten waren zeer indrukwekkend:

Gemiddeld verbeterde F2Agent het jaarlijkse rendement (hoeveel geld het in een jaar verdiende) met meer dan 20% vergeleken met de beste concurrerende methoden.
Specifiek genereerde het een rendement van 120,48% op Google (GOOG) en 148,41% op Tesla (TSLA).
Het eindigde consequent op de eerste plaats qua prestaties over alle zes de activa, waarmee het zowel traditionele wiskundige strategieën als andere AI-agents versloeg.

Het artikel suggereert dat dit succes voortkomt uit het vermogen van het systeem om verschillende soorten informatie te verwerken zonder in de war te raken. In tegen afzet van andere modellen die misschien worden afgeleid door één luide kop of een kleine prijsschommeling, stelt de teamaanpak van F2Agent het systeem in staat om het grotere plaatje te zien. De auteurs merken op dat hoewel het systeem zeer goed presteerde in hun tests, het is ontworpen om robuust te zijn tegen de rommelige, ruizige realiteit van echte markten. Ze hebben het niet alleen gesimuleerd in een perfecte wereld; ze hebben het getest tegen historische data waarin dingen misgingen, en F2Agent wist nog steeds de rust en de winsten te bewaren.

Kortom, F2Agent suggereert dat de toekomst van handel niet draait om één superintelligente AI die alles tegelijk probeert te lezen, maar om een gecoördineerd team van specialisten die weten hoe ze naar elkaar moeten luisteren, de ruis moeten negeren en beslissingen moeten nemen op basis van het volledige verhaal. Het is een stap naar handelsystemen die niet alleen slim zijn, maar ook wijs genoeg zijn om te weten wanneer ze de cijfers moeten vertrouwen en wanneer ze het verhaal moeten vertrouwen.

Technische Samenvatting: F2Agent

Probleemstelling

Financiële handel rust op een complexe interactie van heterogene informatiebronnen, variërend van kwantitatieve historische prijzen tot kwalitatieve tekstuele narratieven. Hoewel de Efficiënte Markthypothese suggereert dat prijzen beschikbare informatie incorporeren, blijft het effectief verwerken van deze multimodale signalen uitdagend vanwege structurele verschillen tussen modaliteiten en de hoge mate van ruis die inherent is aan financiële stromen.

Bestaande Large Language Model (LLM)-gebaseerde handelsagents kampen met drie primaire beperkingen:

Beperkte Multimodale Modellering: De meeste methoden richten zich primair op prijs/technische indicatoren of vertrouwen uitsluitend op tekstuele sentimenten, waardoor complementaire informatie onderbenut blijft en de interacties tussen modaliteiten (bijv. "sell-the-news" scenario's waarbij positief sentiment samenvalt met een bearish prijsbeweging) worden genegeerd.
Ineffectieve Fusiemechanismen: Huidige oplossingen vertrouwen vaak op concatenatie op prompt-niveau, waarbij numerieke tijdreeksen worden behandeld als tekstuele tokens. Deze ad-hoc benadering faalt in het oplossen van de modaliteitskloof, waardoor de tekstuele bias van het LLM de gezamenlijke representaties domineert en subtiele kwantitatieve signalen overstemt.
Onvoldoende Robuustheid: Financiële stromen zijn stochastisch met een lage signaal-ruisverhouding. Bestaande agents missen expliciete mechanismen om persistente markttrends te onderscheiden van transiënte verstoringen (bijv. microstructuurruis), wat leidt tot overreacties op irrelevante signalen en instabiele beslissingen in volatiele markten.

Methodologie

Het paper stelt F2Agent voor, een nieuw multimodale agentic paradigma gedreven door de "Financial Fusion of Agentic Intelligence." De systeemarchitectuur bestaat uit drie kerncomponenten:

1. Hiërarchie van Gespecialiseerde Agents

F2Agent zet een hiërarchie van gespecialiseerde agents in om complementaire, modaliteit-specifieke signalen te extraheren uit heterogene bronnen, in plaats van alle data door één monolithisch model te verwerken:

Market Analysis Agent: Codeert ruwe OHLCV (Open, High, Low, Close, Volume) sequenties met behulp van een causale Transformer-encoder om langetermijn temporele afhankelijkheden en niet-lineaire prijs-volume koppelingen vast te leggen.
Technical Analysis Agent: Verwerkt expressie-gebaseerde alpha-factoren (bijv. MACD, RSI) met behulp van een causale Transformer om niet-lineaire interacties tussen technische indicatoren te modelleren.
Sentiment Analysis Agent: Maakt gebruik van DeepSeek-R1 met tool-augmented retrieval om externe nieuws-API's te bevragen, artikelen samen te vatten en binaire sentimentlabels en rationale voor elk nieuwsitem af te leiden.
News Analysis Agent: Gebruikt een gefinetuned Qwen-gebaseerd LLM (Qwen2.5-7B-Instruct) met Chain-of-Thought (CoT) prompting. Het haalt nieuwsbewijzen op en consolideert deze om transparante, natuurlijke taal redeneringen en hulp-directionele signalen (UP/DOWN) te genereren.

2. Modaliteit-bewuste Adaptieve Fusie-mechanisme

Om de beperkingen van eenvoudige concatenatie aan te pakken, introduceert F2Agent een fusielaag die gespecialiseerde agents coördineert:

Alignment: De output van elke agent wordt geprojecteerd in een gedeelde latente ruimte. Voor LLM-gebaseerde agents wordt last-token pooling gebruikt; voor Transformer-encoders wordt de [CLS]-representatie gebruikt.
Adaptive Attention: Het mechanisme berekent modaliteit-specifieke queries, keys en values. Het introduceert leerbare modaliteitsvectoren ( $r_m$ ) die worden geïnjecteerd in de keys en values om instantie-onafhankelijke, modaliteit-specifieke biases te coderen, wat diversiteit tussen modaliteiten stimuleert terwijl instantie-onafhankelijke bewijslast behouden blijft.
Dynamische Weging: Het systeem legt dynamisch fijnmazige inter-modaliteitsafhankelijkheden vast, waardoor het model modaliteiten kan wegen op basis van hun relevantie voor de huidige marktcontext.

3. Ruis-robuuste Consistentie-regularisatie

Om de stabiliteit tegen marktruis en regime-shifts te vergroten, hanteert het framework een consistentie-regularisatiestrategie:

Perturbatie: Tijdens de training wordt een modaliteit willekeurig geselecteerd en geperturbeerd (bijv. door het toevoegen van Gaussische ruis).
Consistentie Loss: Het model wordt gestraft als de voorspelde logits voor de geperturbeerde input significant afwijken van de originele input.
Attention Suppression: Een specifieke term ontmoedigt het model om de afhankelijkheid van de geperturbeerde modaliteit te vergroten, waardoor het wordt gedwongen te vertrouwen op consistente signalen over de modaliteiten heen.

Systeemintegratie

F2Agent werkt als een end-to-end systeem dat een nieuws-summarizer (om token-budgetten en ruis te verminderen), de modaliteit-verwerkingsmodule en een backtesting-engine integreert. Het produceert handelsbeslissingen, natuurlijke taalverklaringen en prestatie-metrieken onder praktische handelsrestricties.

Belangrijkste Bijdragen

Hiërarchie van Gespecialiseerde Agents: Introductie van een multi-agent framework om complementaire signalen te extraheren uit heterogene bronnen (markt, technisch, nieuws, sentiment) in plaats van te vertrouwen op een enkel verenigd model.
Modaliteit-bewuste Adaptieve Fusie: Een nieuw fusiemechanisme dat dynamisch fijnmazige inter-modaliteitsafhankelijkheden vastlegt, waardoor de modaliteitskloof die wordt veroorzaakt door prompt-niveau concatenatie wordt gemitigeerd.
Ruis-robuuste Consistentie-regularisatie: Een regularisatietechniek ontworpen om de robuustheid tegen marktruis en regime-shifts te verbeteren, wat leidt tot stabielere handels-signalen.
Uitgebreide Evaluatie: Implementatie van een end-to-end Multimodale Agentic Handelsysteem en uitgebreide experimenten die aantonen dat het consequent beter presteert dan diverse baselines.

Experimentele Resultaten

De auteurs evalueerden F2Agent op zes activa (AAPL, AMZN, GOOG, MSFT, TSLA, en BTCUSD) tegen 16 concurrerende baselines, waaronder regelgebaseerde strategieën, ML/DL-modellen, Reinforcement Learning (RL) agents, algemene LLM's en gespecialiseerde financiële LLM's.

Prestatie-metrieken: F2Agent presteerde consequent beter dan alle baselines op het gebied van Annualized Return (ARR), Sharpe Ratio (SR), Cumulative Return (CR) en Maximum Drawdown (MDD).
Belangrijkste Prestaties:
- Behaalde een gemiddelde rang van 1.00 in ARR over alle geteste activa.
- Leverde een 120,48% ARR op GOOG en 148,41% ARR op TSLA.
- Toonde een gemiddelde relatieve verbetering van meer dan 20% in geannualiseerd rendement vergeleken met de best presterende baseline.
- Demonstreerde superieur risico-gecorrigeerd rendement, waarbij stabiliteit werd behouden, zelfs op hoog-volatiele activa zoals BTCUSD waar andere methoden ernstige omklapbewegingen vertoonden.
Ablatie-studies: Het verwijderen van de adaptieve fusie-module of de robuustheids-regularisator verslechterde de prestaties aanzienlijk, wat de noodzaak van beide componenten bevestigt.
Robuustheid: F2Agent behield een stabiele prestatie naarmate er meer modaliteiten werden toegevoegd, terwijl baseline-modellen (inclusen sterke algemene LLM's) vaak achteruitgingen bij het afhandelen van conflicterende cross-modale signalen.
Efficiëntie: Het systeem demonstreerde een superieure token-efficiëntie vergeleken met frameworks die vertrouwen op monolithische LLM-calls voor alle dataverwerking.

Betekenis en Claims

Het paper claimt dat F2Agent een belangrijke stap voorwaarts is in AI-gestuurde financiële handel door de kritieke kloof in multimodale fusie en robuustheid aan te pakken.

Voorbij Patroonextractie: In tegen tegenstelling tot eerdere methoden die zich richten op eenvoudige patroonextractie of oppervlakkige fusie, biedt F2Agent een principieel mechanisme voor het fuseren van heterogene modaliteiten, wat het mogelijk maakt om genuanceerde cross-modale afhankelijkheden te vangen.
Robuuste Besluitvorming: Het systeem toont aan dat het expliciet modelleren van de interacties tussen modaliteiten en het regulariseren tegen ruis leidt tot betrouwbaardere handels-signalen in volatiele markten, waardoor "sentiment-traps" worden vermeden die geïsoleerde modaliteiten zouden kunnen triggeren.
Schaalbaarheid en Generalisatie: Het framework laat zien te generaliseren over verschillende activaklassen (aandelen en cryptovaluta) en marktomstandigheden, wat suggereert dat het agentic paradigma een levensvatbare benadering is voor real-world, informatie-rijke handelsomgevingen.

De auteurs concluderen dat F2Agent effectief een hiërarchie van gespecialiseerde agents organiseert om een holistisch beeld van de marktdynamiek te geven, waarbij coherente handelsrepresentaties worden geproduceerd die robuust zijn tegen ruis en verschuivende regimes. Toekomstig werk richt zich op het uitbreiden van dit paradigma naar portefeuillebeheer voor multimodale, risico-bewuste allocatie.