TradingGPT：具有分层记忆与差异化角色的多智能体系统以提升金融交易表现
投资组合管理
2023-09-08 v1 交易与市场微观结构
摘要
大型语言模型（LLMs）因近期 Generative Pre-trained Transformers（GPT）系列的演进而备受瞩目，已在诸多领域展现出显著能力，例如辅助医疗诊断与撰写分析性商业报告。GPT 的功效在于其能够解码人类指令，这是通过在其记忆系统中将历史输入作为整体进行全面处理而实现的。然而，GPT 的记忆处理并未精确模拟人类记忆的层次性，这可能导致 LLM 难以高效地优先处理即时且关键的任务。为弥补这一差距，我们引入了一种创新性的具备分层记忆的 LLM 多智能体框架。我们断言该框架非常适用于股票与基金交易，因为从层次化金融数据中提取高度相关的洞察对于指导交易决策至关重要。在此框架内，一个智能体将记忆组织为三个不同的层级，每一层由定制的衰减机制管理，从而更贴近人类认知过程。智能体之间还可进行智能体间辩论。在金融交易情境中，LLM 作为交易智能体的决策核心，利用其分层记忆系统整合多源历史操作与市场洞察。这使其得以应对金融变化、制定策略，并与同伴智能体就投资决策进行辩论。我们方法的另一突出特点是为智能体赋予个体化交易特质，从而增强记忆多样性与决策鲁棒性。这些精妙设计提升了系统对历史交易与实时市场信号的响应能力，确保了更优的自动化交易准确性。
引用
@article{arxiv.2309.03736,
title = {TradingGPT: Multi-Agent System with Layered Memory and Distinct Characters for Enhanced Financial Trading Performance},
author = {Yang Li and Yangyang Yu and Haohang Li and Zhi Chen and Khaldoun Khashanah},
journal= {arXiv preprint arXiv:2309.03736},
year = {2023}
}