面向专家投资团队：基于细粒度交易任务的多智能体大语言模型系统

大语言模型（LLMs）的发展加速了自主金融交易系统的发展。虽然主流方法部署的多智能体系统模仿分析师和经理角色，但它们往往依赖抽象指令，忽视了现实工作流程的细节，可能导致推理性能下降和决策透明度降低。因此，我们提出了一个多智能体LLM交易框架，通过显式分解投资分析为细粒度任务，而不是提供粗粒度指令。我们使用日本股票数据（包括价格、财务报表、新闻和宏观信息），在控制数据泄露的回测环境下评估了所提出的框架。实验结果表明，细粒度任务分解显著优于传统粗粒度设计后的风险调整收益。关键的是，进一步分析中间智能体输出表明，分析输出与下游决策偏好之间的对齐是系统性能的关键驱动因素。此外，我们进行了标准的投资组合优化，利用与股票指数中等相关性以及每个系统输出的方差。这一方法实现了 superior performance。这些发现为在实际应用中将LLM智能体应用于交易系统的设计提供了智能体结构和任务配置的指导。