💻 computer science

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

本文介绍了 QuantHarness，这是一种专门为高频交易设计的创新型多智能体大语言模型（LLM）框架，它利用专门的智能体来处理结构化的短周期信号，并证明了与现有的长周期、文本驱动型金融模型相比，其具有更卓越的预测准确性和实时决策能力。

原作者： Fei Xiong, Xiang Zhang, Aosong Feng, Siqi Sun, Chenyu You

发布于 2026-07-28

📖 1 分钟阅读☕ 轻松阅读

原作者： Fei Xiong, Xiang Zhang, Aosong Feng, Siqi Sun, Chenyu You

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，股票市场是一片巨大且混乱的海洋。几十年来，水手们（交易者）一直试图通过两张主要的地图来预测波浪。第一张地图是充满新闻、传闻和社交媒体闲聊的天气报告——即人们在“说”正在发生什么。第二张地图是水本身：即记录在精确数字中的波浪起伏。大多数试图预测市场的现代计算机程序都痴迷于阅读天气报告，通过阅读数百万篇新闻文章来猜测下一波水的走向。但问题在于：当一条新闻出现在互联网上时，水往往已经移动了。波浪已经发生了偏移，而新闻只是一个缓慢的回声。

这正是新思路出现的地方：如果我们停止阅读天气报告，转而直接观察水呢？这种被称为“技术分析”的方法假设，每一条新闻、每一份恐惧和每一份希望都已经反映在了资产的价格之中。如果你能读懂价格运动本身的模式，你或许能比任何阅读新闻的人更快地预判下一波浪潮。现在，想象一下给一个超级聪明的计算机大脑（大语言模型）一项任务，让它去阅读这些水的模式。通常，这些大脑擅长写故事或聊天，但它们可能反应较慢，且容易被过多的文本分散注意力。本论文提出了一个简单而大胆的问题：我们能否教会这些 AI 大脑忽略噪音，成为能够快速读取市场原始数字数据的专家，从而进行实时交易？

本文介绍了 QuantHarness，这是一个旨在回答该问题的全新系统。请不要将 QuantHarness 仅仅视为一个单一的交易员，而应将其视为一个由四个专业机器人组成的微型、高速交易团队，它们在计算机内部协同工作。与其他花费数小时阅读新闻标题的 AI 交易员不同，这个团队只观察“蜡烛图”（candlestick charts）——即显示资产在短时间内开盘价、最高价、最低价和收盘价的原始彩色条形图。

该团队由四个各司其职的智能体组成：

指标智能体（The Indicator Agent） 是数学天才。它获取原始价格条，并快速计算著名的“速度计”，如 RSI 和 MACD。这些工具可以告诉团队市场是否移动得太快、是否疲态尽显，或者是否即将发生转向。
形态智能体（The Pattern Agent） 是艺术家。它观察价格条的形状，并尝试识别熟悉的图形，例如代表快速复苏的“V”形，或暗示大爆发即将来临的三角形。它将扭曲的线条转化为可识别的形状。
趋势智能体（The Trend Agent） 是导航员。它在图表上画线，以观察市场整体是在向上、向下移动，还是仅仅处于交通拥堵状态。它会检查价格是否在触及“支撑位”（floor/support）后反弹，或是撞到了“阻力位”（ceiling/resistance）。
风险智能体（The Risk Agent） 是安全官。在任何人采取行动之前，该智能体会精确计算可能损失的金额，并设置“止损”（stop-loss，即退出以保住资金的点位）和“止盈”（take-profit，即套现离场的点位）。

最后，一个 决策智能体（Decision Agent） 担任船长。它倾听四位队友的报告，权衡证据，并做出最终决定：买入（做多）或卖出（做空）。该系统旨在“高频”领域运行，这意味着它在以小时甚至分钟为单位进行决策，而非以天为单位。

研究人员在包括比特币、原油和主要股指（如标普 500）在内的九个不同的金融市场中测试了该团队。他们将 QuantHense 与随机猜测者、简单的数学模型以及标准的机器学习模型进行了对比。结果令人振奋：在这些测试中，QuantHarness 团队在预测未来几小时内市场走向的准确性方面表现得更为出色。例如，在纳斯达克期货上，它的预测准确度比随机猜测提高了约 26.5%。同时，在大多数情况下，它也能比其他方法更好地控制损失。

然而，论文谨慎地指出，这并非宣称是一个“点石成金”的造钱机器。作者指出，该系统在 1 小时和 4 小时的时间框架下表现最佳。当尝试将其用于极短时间框架（如 1 到 15 分钟）时，系统会被市场的“噪音”搞混，准确度也会下降。他们还承认，该系统目前尚未实现真正的“实时”化；因为 AI 需要思考并调用其工具，因此存在轻微的延迟，这对于那些追求分秒必争的最快交易来说可能过于缓慢。

最终，论文表明，通过将 AI 的模式识别能力与原始价格数据的速度和结构相结合，我们可以构建出不仅更快、而且更容易理解的交易系统。QuantHarness 不再是一个做出神秘决策的“黑箱”，它为每一笔交易都提供了清晰的文字解释，展示了究竟是哪种模式或指标触发了这次移动。这是向着让高频交易不再像一场赌博，而是一门严谨、透明的科学迈出的一步。

技术摘要：QuantHarness

问题陈述

大型语言模型（LLM）的最新进展展示了其在金融推理方面的显著能力，特别是在像 TradingAgent 和 FINMEM 这样的多智能体框架中。然而，这些现有系统主要针对长周期投资任务设计，过度依赖于非结构化的文本输入，如新闻文章、社交媒体情绪和收益报告。这种依赖性为高频交易（HFT）带来了两个关键局限性：

延迟与滞后： 文本信号往往滞后于价格发现，因为市场在新闻或报告反映出信息之前，就已经将信息纳入了价格之中。
噪声与结构： 非结构化文本具有噪声且难以验证，而高频交易需要快速、精准决策，由结构化的短周期信号驱动。

目前的基于 LLM 的金融框架并不适用于高频交易所需的速率和结构化特性，因为高频交易依赖于直接编码在开盘价-最高价-最低价-收盘价（OHLC）数据中的技术指标、图表形态和趋势特征。目前缺乏能够将 LLM 推理与用于实时高频算法交易的结构化价格信号相结合的框架。

方法论：QuantHarness

为了填补这一空白，作者引入了 QuantHarness，这是首个专门为高频算法交易设计的多智能体 LLM 框架。与以往引入外部情绪的研究不同，QuantHarness 仅基于价格衍生的市场信号（OHLC 数据运行），遵循有效市场假说，该假说认为价格聚合了所有可用信息。

该系统构建于 LangGraph 之上，并将交易过程分解为四个专门的协作智能体：

指标智能体 (IndicatorAgent)：
- 功能： 将原始 OHLC 序列转化为结构化的量化信号。
- 机制： 它计算五种标准技术指标：相对强弱指数 (RSI)、指数平滑异同移动平均线 (MACD)、变动率 (ROC)、随机指标 (STOCH) 和威廉 %R (Williams %R)。
- 角色： 提供抗噪声的市场动量和情绪摘要，将低层级价格数据抽象为高层级特征，供下游推理使用。
形态智能体 (PatternAgent)：
- 功能： 执行视觉和结构化的多模态推理以检测图表形态。
- 机制： 它利用 LLM 绑定的工具，根据原始数据生成简化的蜡烛图。随后，该智能体将这些可视化结果与用自然语言描述的标准形态库（例如双底、头肩顶/底、三角形）进行对比。
- 角色： 识别几何结构，如波峰、波谷和盘整，将原始图表数据与高层级推理联系起来。
趋势智能体 (TrendAgent)：
- 功能： 分析方向动量和趋势动态。
- 机制： 它通过对近期局部高点（阻力位）和低点（支撑位）进行普通最小二乘法 (OLS) 回归拟合来生成趋势通道。它计算平均斜率 ( $\kappa_t$ )，从而将趋势分类为上升趋势、下降趋势或横盘整理。
- 角色： 确定市场的结构性背景，评估检测到的形态是否与当前趋势一致，或是否预示着趋势反转。
风险智能体与决策智能体 (RiskAgent & DecisionAgent)：
- 风险智能体： 将前述智能体的输出整合进统一的风险回报框架中。它设定固定的止损位 ( $\rho = 0.0005$ )，并根据 LLM 预测的风险回报比 ( $r \in [1.2, 1.8]$ ) 计算动态止盈水平。
- 决策智能体： 作为执行层。它汇总来自指标、形态和趋势智能体的信号，以预测未来三根蜡烛图的市场方向。它输出一个结构化决策（做多 LONG 或做空 SHORT）、一段简洁的理由以及一个风险回报比。系统禁止“持有 (HOLD)”决策，强制要求进行方向性选择。

核心贡献

首个面向 HFT 的 LLM 框架： QuantHarness 是第一个专门为高频交易设计的多智能体系统，直接运行在 OHLC 数据上，无需依赖滞后的文本输入。
专门的多智能体架构： 将交易分解为指标、形态、趋势和风险智能体，实现了模块化、可解释且经过交叉验证的决策过程，模拟了机构交易台的工作流。
基于非结构化文本的结构化推理： 本文证明了将 LLM 推理与结构化价格信号（技术指标和图表几何结构）相结合，是实现高频交易中可追溯、实时决策系统的可行路径。
可解释性： 与传统的“黑盒”算法策略不同，QuantHarness 为每笔交易生成自然语言形式的逻辑依据，为决策过程提供了透明度。

实验结果

作者在包含九种金融工具（包括比特币、纳斯达克期货、标普 500 指数和原油）的基准测试中，针对 1 小时和 4 小时时间分辨率对 QuantHarness 进行了评估。该系统在没有事先演示或监督微调的情况下，依靠零样本（zero-shot）推理进行测试。

性能指标： 将 QuantHimate 与随机基准 (Random Baselines)、线性回归 (LR)、XGBoost 以及 TradingAgent 框架进行了对比。
方向准确度： QuantHarness 持续优于基准模型。例如，在纳斯达克 (NQ) 4 小时间隔上，其方向准确度比随机基准提高了 26.5%。在 1 小时时间框架下，它在 SPX、QQQ 和 BTC 等资产上表现出显著增益。
风险调整后收益： 该系统在大多数测试资产中均获得了最高的收益率 (RoR) 指标（ $R_{cc}$ 、 $R_{max}$ 、 $R_{min}$ ），证明了其在有效限制下行风险的同时捕捉盈利趋势的能力。
泛化能力： 滚动窗口验证显示了强大的泛化能力，在标普 500 指数 (SPX) 的连续短期预测任务中，方向准确度高达 80%。

重要性与主张

论文声称 QuantHarness 验证了这样一个假设：将结构化交易信号与基于 LLM 的推理相结合，相比于文本驱动的方法，能为高频市场创造一个更优越的框架。

仅靠价格分析的可行性： 结果表明，基于纯价格数据的技术分析足以进行高频决策，因为价格本身已反映了所有相关的市场信息。
可追溯性： 该框架提供了一种传统算法策略所缺失的程度较高的可追溯性和可解释性，因为每一项决策都伴随着源自特定指标和形态的语言原生逻辑依据。
可扩展性： 多智能体结构为未来不需要外部情绪分析或人工监督的实时、高效数据金融系统提供了可扩展的基础。

局限性

作者坦诚地承认了当前的约束：

微观时段准确度： 由于市场噪声和快速的机制转变，预测精度在极短时间尺度（1–15 分钟）上会下降。
延迟： 当前架构并非真正的亚分钟级实时交易，因为涉及多个 LLM 调用和工具绑定的推理周期会引入延迟，这可能会超过 1 分钟机会的可利用窗口。未来的工作建议通过简化工具编排或将逻辑迁移至边缘模型来解决此问题。