南洋理工发布多模态智能体 FinAgent，开启高效金融交易的创新之旅

1

金融量化交易的智能化新篇章

金融市场的稳定和繁荣对经济发展至关重要，它不仅促进资本的有效配置，还为风险管理提供了重要机制。然而，随着金融市场的日益复杂化和全球化，传统的基于规则的量化交易系统因其缺乏对市场动态的适应性而日益显得力不从心。面对市场波动的挑战，基于强化学习的量化交易系统虽展现出更强的适应能力，但在处理多模态数据、提高泛化能力以及增强决策过程的可解释性方面，仍存在诸多不足。

在这一背景下，大语言模型（LLMs）的出现为解决这些问题带来了新的希望。这些模型在多模态数据处理和决策任务中展示了巨大的潜力，尤其是在需要精准分析和强大适应性的金融科技领域。尽管将LLMs应用于金融交易任务具有巨大潜力，但在实际操作中如何有效解释多模态数据、利用多样化工具进行决策等方面，还存在诸多挑战。

金融交易任务面临的五大挑战不仅考验了技术和策略的先进性，也是当前金融科技领域急需解决的问题。这些挑战包括：

1. 多模态数据处理能力不足：金融市场信息的广泛性要求处理包括数值、文本和视觉信息在内的多模态数据。这种数据的复杂性对分析方法提出了更高的要求，需要高级的分析技术来提取关键洞见，预测市场趋势。解决这一挑战需要研发能够有效处理并整合多种数据类型的高级分析工具。

2. 缺乏目标信息检索能力：部分交易智能体在执行主要任务时会将信息检索与其他任务混淆，依赖于简单的任务摘要来回溯历史数据。这种不精确的检索方式导致结果中出现大量无关数据，从而影响整体性能。发展精确的信息检索技术，能够准确地识别和提取与当前决策相关的历史信息至关重要。

3. 适应快速变化市场的能力不足：金融交易要求快速适应市场条件的不断变化。传统方法往往难以满足这一要求，突显了需要开发能够即时响应实时数据并根据历史市场趋势调整策略的模型的必要性。这要求模型不仅要能够处理实时数据，还要具备从历史数据中学习并预测未来趋势的能力。

4. 领域知识整合不足：现有模型在有效整合领域专家知识、先进交易工具等方面存在不足，这导致市场分析的有效性和深度下降。将这些领域知识融入模型中，可以提高决策质量和交易策略的复杂度，从而提升交易性能。

5. 行动的推理不足：许多高级AI模型的“黑箱”特性意味着它们可以直接提供决策结果，却无法提供背后的推理过程。在金融交易中，理解每一决策背后的逻辑非常重要，这不仅有助于增强模型的可信度，也对风险管理至关重要。

正是在这样的技术发展和市场需求背景下，FinAgent应运而生。作为一个先进的多模态基础智能体，FinAgent旨在通过整合和优化大模型技术，解决金融交易中的复杂挑战。FinAgent在模拟人类交易员的决策过程的同时，利用AI智能体分析市场动态，做出高效的投资决策。此外，FinAgent的出现不仅可能改变股票、加密货币等传统金融资产的交易方式，更为金融市场研究提供了新的实验平台，有望促进大模型和AI智能体技术在金融行业的更广泛应用和产业化。

通过FinAgent，我们可以预见一个更加智能、高效的金融交易未来。这不仅将AI技术的潜力转化为金融市场的实际应用，也为投资者提供了更加精准、便捷的服务，进一步推动了金融科技领域的发展。

• 论文标题：A Multimodal Foundation Agent for Financial Trading: Tool-Augmented, Diversified, and Generalist

• 论文链接：https://arxiv.org/pdf/2402.18485.pdf

• 项目主页：http://trademaster.ai/Finagent

2

FinAgent：多模态基础智能体

FinAgent的特点

在探讨FinAgent及其对金融交易领域的革新贡献之前，了解其与现有交易策略和大语言模型（LLM）智能体的区别至关重要。

传统的金融交易策略（Rule-based Strategies），如基于规则的系统和技术分析方法，尽管历经时间的考验，但它们通常缺乏对市场波动和不确定性的适应性。这些策略往往依赖于固定的规则或预设的指标，难以及时反映市场的快速变化。

基于强化学习的策略（RL-based Strategies）因其能够通过与环境的交互学习优化策略而在金融交易中受到关注。这些系统展现了一定的适应市场变化的能力，但仍面临着泛化能力有限、决策过程难以解释等挑战。

大语言模型智能体（LLMs Agent），如FinGPT和FinMem等，通过深度学习技术理解和生成自然语言，近年来在金融分析和预测中显示出潜力。它们能够处理和分析大量文本数据，提供市场洞察。然而，其只能处理文本数据，并无法利用额外的有效工具，对分析市场的能力受到了限制。

与上述方法相比，FinAgent提出了一个全面的解决方案，它能处理和分析多模态数据，包括文本、图像和数值数据。FinAgent的核心优势主要体现在以下几个方面：

1. 多模态信息处理：FinAgent能够处理和分析包括数值、文本和视觉信息在内的多种类型的市场数据。这种多模态数据处理能力使其能够更全面地理解市场动态，从而做出更精准的交易决策。

2. 高度适应性：FinAgent设计有能力快速适应市场变化，通过实时数据分析，及时调整交易策略，以应对市场波动，这对于金融交易的成功至关重要。

3. 集成领域知识：FinAgent整合了领域专家的知识和先进的交易工具，能够深入分析市场，并提出基于深度市场理解的交易建议。这种知识的整合提升了交易策略的有效性和市场分析的深度。

4. 决策过程的可解释性：与许多高级AI模型不同，FinAgent在提供决策结果的同时，也能够展示决策的逻辑和理由，增加了模型的透明度和用户的信任度。

5. 显著的性能提升：通过综合实验，FinAgent在多个金融数据集上表现出色，相比于当前最先进的基线模型，在多个财务指标上实现了超过36%的平均性能提升。

多模态数据处理能力

在当前的金融市场中，数据是决策的关键。与传统的单一数据源相比，多模态数据通过整合数字、文本、图像等多种类型的信息，提供了更为丰富和全面的市场视角。这种数据的多样性不仅能够增加分析的维度，而且有助于揭示更深层次的市场趋势和潜在风险，是现代金融交易不可或缺的部分。

对于FinAgent来说，多模态数据处理是其核心优势之一。通过利用先进的多模态大语言模型，FinAgent能够理解和分析来自不同源的复杂数据。例如，它可以从金融新闻中提取关键信息，通过分析社交媒体了解市场情绪，或通过解读股票交易图表捕捉价格变动的微妙信号。

这种能力让FinAgent在预测市场动态和做出投资决策时，拥有了比传统交易系统更高的精确度和适应性。在快速变化的市场环境中，多模态数据处理使FinAgent能够迅速响应市场变化，有效管理和降低投资风险，从而为用户创造更大的价值。此外，多模态数据处理还提高了FinAgent的泛化能力。在面对未知市场情况时，通过跨模态学习和推理，FinAgent可以更好地理解复杂情况，避免过度依赖单一数据源可能带来的偏见和局限性。这不仅加强了系统的鲁棒性，也为金融交易的智能化提供了坚实的技术支撑。

多模态数据处理在FinAgent框架中扮演着至关重要的角色。它不仅为金融交易提供了更为全面和深入的洞察，也是实现高效、智能交易决策的关键。随着技术的不断进步和优化，多模态数据处理将在未来的金融科技领域发挥越来越重要的作用。

FinAgent的四大核心模块

• 市场洞察模块

• 最新市场情报的收集与总结：市场洞察模块主动搜集和整合各类市场情报，其中不乏来自不同平台和渠道的实时数据。它通过先进的数据处理技术，对文本、数值和视觉信息如K线图及交易图表进行综合分析。这种多模态数据处理能力让FinAgent能够从宏观和微观两个层面对市场进行深入分析，进而对未来市场趋势做出精确预测。FinAgent利用这些分析，能够评估特定市场信息对资产价格的影响，综合判断市场的整体走向，为投资决策提供科学依据。

• 历史市场情报的检索与利用：对历史市场情报的检索和利用是市场情报模块的另一项关键功能。通过分析过去的市场数据和事件，FinAgent能够识别并理解那些曾经影响市场定价的重要模式和事件。例如，分析历史上产品发布对公司股价的影响，可以预测未来类似事件的市场反应。此外，该模块采用多样化检索操作，通过为最新市场情报添加专门的查询文本字段，以提高历史数据检索的准确性和效率，从而在交易决策中充分利用历史市场情报。

• 记忆模块

• 记忆的存储与检索：记忆模块利用先进的向量存储架构，使FinAgent能够高效地处理和记忆市场新闻、财务报告等多模态数据。这种存储结构通过向量相似性匹配，简化了数据的存储和检索过程，极大地提高了数据处理的速度和准确性。该模块不仅存储最新的市场情报，也保留了低层级反思和高层级反思模块的分析结果，构建了一个包含广泛最新和历史市场数据及见解的综合数据库。这样的记忆体系让FinAgent可以快速访问和分析历史和当前的市场动态，从而构建更准确的市场预测模型。

• **记忆的作用与优势：**记忆模块的另一个关键作用在于支持FinAgent的学习和适应过程。通过持续分析新的市场数据和交易结果，记忆机制使FinAgent能够从过去的决策中学习，动态调整交易策略以适应市场波动。这不仅提升了交易策略的灵活性和有效性，也帮助FinAgent识别和记忆过去的决策错误和成功案例，进行深度反思。通过这种方式，FinAgent避免重复以往的错误，不断优化交易决策过程。

• 反思模块

• 低层级反思：低层级反思模块专注于解析市场情报与价格变动之间的直接联系，旨在通过对价格变动的细致分析，揭示市场行为背后的模式和规律。通过收集和处理不同时间范围内的价格变动数据，该模块能够识别出潜在的市场趋势和价格运动模式。此外，为了提升未来决策的效率，低层级反思模块还会生成包含从市场情报中提炼的经验的查询字段，使这些宝贵的见解能够在后续的交易决策中被高效检索和应用。

• 高层级反思：高层级反思模块的职责在于对过去的交易决策进行全面的回顾和分析，旨在从每一次交易中学习并提炼经验教训。通过结合交易图表、买卖点以及累积回报图的分析，该模块为投资者提供了一个直观且全面的历史决策效果评估。它不仅评估每项交易决策的成败，还根据分析结果推荐具体的改进措施或纠正方案。这一过程促进了智能体的迭代学习，建立了一个随时间不断发展和优化的动态知识库，显著提升了决策质量和交易效率。

• 决策模块

• 专家知识和辅助工具：为了进一步提升决策的精度和可信度，决策模块整合了专家知识以及基于技术指标的经典交易策略。通过融合行业专家的洞察和技术指标分析，FinAgent能够在考虑市场情报情绪和趋势预测的同时，评估历史交易决策中的成功与失败，从而形成一个全面、均衡且具有高度可解释性的决策框架。这种结合直觉与数据、经验与新见的决策方式，不仅增强了FinAgent对市场动态的适应性，也使得用户建立了对AI决策的信任。

• 综合分析和决策制定：在决策制定的过程中，FinAgent首先利用市场情报模块对广泛的金融数据进行收集和分析，这包括股票新闻、实时价格动态以及季度财务报告等。通过对这些多维度数据的深入挖掘，FinAgent能够捕捉到对未来交易可能产生重大影响的关键信息。随后，结合低层级反思模块对市场情报与价格变动间关系的分析，以及高层级反思模块对过往交易决策结果的深度评估，FinAgent构建了一个能够迅速适应市场变化且不断自我优化的决策支持系统。决策模块还集成了专家知识和辅助工具，结合专业知识的决策方法为FinAgent的操作提供了合理的解释和理论依据，有助于构建投资者对AI交易决策的信任。在做出每一个决策时，FinAgent综合考虑市场情报的情绪分析、价格趋势的预测、从历史决策中学到的教训，以及专业指导和技术指标的建议，从而在综合分析的基础上制定出最佳的交易方案。

3

实验分析

数据集

为了全面评估FinAgent的性能，研究者在六个真实世界的数据集上进行了深入的测试，这些数据集涵盖了美国股市的五个主要数据集以及一个加密货币市场的数据集。每个数据集都精心构建，包含了多种形式的数据，以确保评估能够全面准确地反映FinAgent在实际交易环境中的表现。具体而言，这些数据集中包含了日级别的资产价格数据，涵盖了开盘价、最高价、最低价、收盘价以及调整后的收盘价等关键指标，同时还整合了历史K线图和交易图表、资产相关的新闻更新以及财务专家提供的辅助信息，旨在模拟真实的市场环境和交易情况。为了确保实验的有效性，数据分割策略是将每个数据集中一年半时间范围内的后半年数据作为测试集，而前一年的数据则用于训练FinAgent，这样的设置有助于测试FinAgent在面对未知市场动态时的适应能力和决策精度。

评价指标和基准方法

在评估FinAgent的性能时，研究者采用了六个关键的财务指标：年化回报率（ARR）、夏普比率（SR）、卡尔马比率（CR）、索提诺比率（SOR）、最大回撤（MDD）和波动性（VOL），以全面比较FinAgent与其他方法的表现。这些指标不仅衡量了投资回报的绝对值，还评估了风险调整后的回报率和投资组合的波动性，为研究者提供了一个多维度的性能评估视角。对比的基线方法涵盖了四种广泛认可的传统规则交易策略（B&H，MACD，KDJ&RSI，ZMR），以及五种先进的算法，包括Soft Actor-Critic（SAC）、Proximal Policy Optimization（PPO）、Deep Q-Network（DQN）、FinGPT和FinMem。

实验设置

在实验设置方面，尽管FinAgent的训练和推理不需要GPU，但为了与基准方法进行比较，研究者使用了单个Nvidia RTX A6000 GPU。数据集的划分是将一年的后半年数据（2023-06-01至2024-01-01）用于测试，而前一年的数据（2022-06-01至2023-06-01）用于训练。为了确保比较的公平性，所有基准测试都在相同的环境下进行训练和评估。

具体到FinAgent的设置，对于每个训练数据集，仅进行一轮训练，无需在微调大型语言模型（LLM）时通常要求的多次迭代。OpenAI的GPT-4相比于GPT-3.5显示出了性能的提升，因此选择GPT-4作为FinAgent的基础LLM。对于不处理视觉数据的市场情报和决策模块，使用gpt-4-1106-preview版本；而对于需要深入理解视觉数据的两个反思模块，则使用gpt-4-vision-preview版本。记忆模块设计为基于文本相似性存储和检索文本，因此采用了文本编码器text-embedding-3-large来向量化文本，检索样本的top-k设置为5。在低层反思模块中，短期、中期和长期分别代表最近1天、7天和14天的数据。值得注意的是，训练阶段可见过去和未来资产价格的涨跌，在测试阶段为了防止数据泄露，只可见过去的趋势。

实验结果和分析

• 基准模型对比

  在对FinAgent与九种基准方法进行的综合评估中，FinAgent在六个财务指标上的表现显著优于现有基线模型，尤其是在盈利能力方面取得了显著的提升，为该领域设定了新的基准标准。特别值得注意的是，在处理特斯拉（TSLA）数据集时，FinAgent相较于表现最好的基线模型，在年化回报率（ARR%）和夏普比率（SR）上分别实现了至少10%和19%的提升，其中在TSLA数据集上更是达到了84%和118%的惊人改进，显著超越所有其他基线模型。在所有数据集上，FinAgent是唯一一种一致超越更广泛市场盈利性能的方法。相比之下，FinMem在亚马逊（AMZN）数据集上的表现略显不足，其年化回报率为40%，未能超过市场的买入持有（B&H）策略的42%。这凸显了FinAgent相较于其他基线模型在稳定性和鲁棒性方面的显著优势。另外，尽管基于规则的方法在控制风险方面表现最佳，但在捕获回报方面并不突出，因为规则基模型对数据中的异常值和噪声更为稳健，从而可以降低决策风险。值得注意的是，高回报往往伴随着高风险，因此FinAgent在风险控制上做出了轻微的妥协，这与选择的偏好攻击性交易者的投资者偏好有关，因此FinAgent可以略微增加风险以显著提高回报。

• 组件有效性分析

  在分析市场智能（M）、低层级反思（L）、高层级反思（H）以及增强工具（T）这四个组件的有效性时，低层级反思模块的集成显著提升了年化回报率（ARR%），并在降低风险方面也取得了显著效果。当进一步加入高层级反思模块后，不仅年化回报率和夏普比率（SR）得到了显著提高，风险也得到了显著降低，尽管这一改进以轻微提高最大回撤百分比（MDD%）为代价。而当所有组件，包括增强工具，一同工作时，尽管股票盈利性表现出轻微改善，但对于加密货币ETH的表现却因引入了仅适用于股票的基于规则的方法作为辅助工具而下降。这表明投资者不应盲目地增加辅助工具以支持投资。相反，他们必须精心选择与市场特征相匹配的辅助工具，以避免对性能产生不利影响。

4

结束语

FinAgent通过其多模态处理能力和深度学习机制，在金融交易领域展示了显著的潜力和优越性，尤其在推理能力和泛化性方面。它不仅成功地整合了市场的文本和视觉信息，还通过其先进的反思和决策制定模块，提供了一种在动态市场中灵活应对的新方法。这些成就标志着FinAgent在金融技术领域的重要创新和贡献。

FinAgent的未来研究和开发将聚焦于扩展其应用范围，探索在投资组合管理等其他金融任务中的潜力，并进一步优化其性能和用户界面，使其成为支持复杂决策过程的更加强大和灵活的工具。FinAgent在金融任务的进一步应用和优化，将继续推动金融科技的创新，为投资者提供更加智能化、个性化的投资策略和解决方案，同时也为金融市场的稳定和发展贡献力量。