学术研究报告：QuantAgents——基于模拟交易的多智能体金融系统
一、研究团队与发表信息
本研究由华南理工大学（South China University of Technology）的Xiangyu Li、Yawen Zeng、Xiaofen Xing、Jin Xu（兼琶洲实验室Pazhou Lab成员）及佛山大学（Foshan University）的Xiangmin Xu（通讯作者）合作完成，发表于计算语言学领域顶会*Findings of the Association for Computational Linguistics: EMNLP 2025*（2025年11月4-9日），论文标题为《QuantAgents: Towards Multi-Agent Financial System via Simulated Trading》。
二、学术背景与研究目标
科学领域：本研究属于计算金融（Computational Finance）与多智能体系统（Multi-Agent Systems, MAS）的交叉领域，结合大型语言模型（LLMs）与强化学习技术，旨在提升金融决策的自动化与智能化水平。
研究动机：现有基于LLM的金融智能体（如FinGPT、FinAgent）虽表现优异，但存在两大局限：
1. 依赖事后反思（Post-Reflection）：仅在不利结果出现后调整策略，缺乏人类特有的长期趋势预测能力；
2. 与真实基金公司流程脱节：未整合金融从业者广泛使用的模拟交易（Simulated Trading）工具。
研究目标：开发QuantAgents系统，通过多智能体协作与模拟交易环境，实现长期市场预测与风险控制，弥合AI智能体与人类专家的差距。
三、研究流程与方法
1. 系统框架设计
QuantAgents包含四个分工明确的智能体：
- 模拟交易分析师（Bob）：测试策略在历史数据中的表现；
- 风险控制分析师（Dave）：评估策略风险；
- 市场新闻分析师（Emily）：生成市场报告；
- 经理（Otto）：综合信息执行决策。
智能体通过三类会议协作：
- 市场分析会议（每周）：整合新闻、行业与个股分析；
- 策略开发会议（每周）：通过模拟交易优化策略；
- 风险警报会议（触发式）：当风险评分（RScore）>0.75时启动。
2. 核心技术模块
- 工具集（26种）：涵盖技术指标分析（T1）、压力测试（T17）、情感分析（T2）等；
- 记忆系统：分为市场信息记忆（M_I）、策略记忆（M_S）、报告记忆（M_R）；
- 双奖励机制：同时优化真实市场收益（R_real）与模拟交易预测准确率（R_sim），权重动态调整。
3. 实验设置
- 数据集：纳斯达克100指数成分股（2010-2023年），包含股价、新闻、财报等；
- 基准模型：对比经典量化策略（如ZMR）、RL方法（如DeepTrader）及LLM基线（如FinAgent）；
- 评估指标：9项金融指标，包括年化收益率（ARR）、夏普比率（SR）、最大回撤（MDD）等。
四、主要研究结果
1. 整体性能
QuantAgents在测试期（2021-2023年）实现累计收益299.55%（ARR 58.68%），显著优于最佳基线HedgeAgents（230.39%）。其核心优势体现在：
- 风险控制：MDD（16.86%）低于所有基线，波动率（Vol 1.43%）接近市场指数（NDX 1.52%）；
- 策略多样性：熵值（Ent 2.97）与有效下注数（ENB 1.49）最高，表明投资组合分散性更优。
五、研究结论与价值
科学价值：
1. 首创性：首个将模拟交易整合至多智能体金融系统的研究，模拟人类量化交易员工作流；
2. 方法论创新：双奖励机制推动智能体做出前瞻性决策，解决LLM依赖事后反思的局限。
应用价值：
- 风险可控的策略测试：通过模拟交易验证策略，避免真实资金损失；
- 行业工具开源：发布全部代码与数据集（https://quantagents.github.io/），推动领域发展。
六、研究亮点
1. 性能突破：在PrudEx基准（Sun et al., 2023a）上全面领先，收益较基线提升30.02%；
2. 架构创新：智能体分工与会议机制模拟真实基金公司流程，工具集（如RiskAnalyzer）覆盖金融分析全流程；
3. 低成本部署：基于GPT-4o的日均成本仅0.17美元，具备商业化潜力。
七、局限与展望
1. 泛化性：当前仅验证于纳斯达克100成分股，未来需扩展至其他市场；
2. 信息泄露风险：需进一步研究LLM在历史数据中的过拟合问题。
伦理声明：研究仅使用公开数据，未涉及敏感信息，纯属学术用途。
（注：专业术语如“Sharpe Ratio”首次出现时标注英文原词，后续使用中文“夏普比率”）