ContestTrade: мультиагентная торговая система на LLM с внутренней конкуренцией

В мире алгоритмической торговли появляется всё больше решений на основе больших языковых моделей, но большинство из них страдает от нестабильности и зашумлённости данных. Новая научная работа на arXiv представляет систему ContestTrade — мультиагентную торговую платформу, которая использует внутренний конкурентный механизм для повышения устойчивости и адаптивности. Вдохновлённая рабочими процессами институциональных инвесторов, эта система состоит из двух специализированных команд: Data Team, обрабатывающей рыночные данные и преобразующей их в текстовые факторы, и Research Team, генерирующей многовариантные торговые решения с помощью инструментов глубокого анализа. Такой подход позволяет не только улучшить качество прогнозов, но и эффективно распределять ресурсы между агентами.

Как работает внутренняя конкуренция в ContestTrade

Основная проблема традиционных LLM-агентов в финансах — их чувствительность к зашумлённой и нестационарной рыночной информации. ContestTrade решает эту проблему за счёт внутренней конкуренции: агенты оцениваются постфактум, а ресурсы распределяются только тем, кто показывает положительную прогнозируемую полезность. Это означает, что система не просто полагается на средние показатели, а активно отсеивает неэффективные стратегии, повышая общую устойчивость и адаптивность. Такой подход особенно важен на волатильных рынках, где быстро меняющиеся условия требуют постоянной переоценки используемых моделей.

Какой механизм лежит в основе распределения ресурсов?

Центральный элемент ContestTrade — это механизм «Quantify-Predict-Allocate» (Оценить-Спрогнозировать-Распределить). На первом этапе результаты каждого агента оцениваются после того, как рыночные исходы становятся известны. Затем на основе исторических оценок прогнозируется будущая полезность каждого агента. И наконец, ресурсы, такие как капитал, распределяются только между теми агентами, чей прогнозируемый вклад положителен. Такой цикл повторяется регулярно, что позволяет системе адаптироваться к изменениям рынка и не тратить ресурсы на заведомо убыточные стратегии.

Роль Data Team и Research Team

Data Team отвечает за конденсацию массивных рыночных данных в диверсифицированные текстовые факторы. Это критически важно, так как контекстное окно LLM ограничено, и необработанные данные могут его перегрузить. Команда использует методы сжатия и выделения ключевых признаков, чтобы представить информацию в компактной, но информативной форме. В свою очередь, Research Team применяет инструменты глубокого многовариантного анализа для генерации торговых решений. Эти инструменты позволяют учитывать различные сценарии и оценивать риски, что повышает качество итоговых рекомендаций.

Результаты тестирования на китайском рынке

В бэктесте на китайском рынке A-акций после 2024 года система ContestTrade показала более высокую доходность и улучшенные показатели риск-скорректированной доходности по сравнению с базовыми алгоритмами. Это подтверждает эффективность внутреннего конкурентного механизма в условиях реального рынка. Однако важно отметить, что результаты получены на исторических данных одного рынка, и их применимость к другим рынкам, таким как США или Европа, пока не подтверждена.

Кому будет полезна эта система?

ContestTrade в первую очередь заинтересует разработчиков алгоритмических торговых систем, которые ищут способы повысить устойчивость своих моделей. Исследователи в области применения LLM в финансах также найдут здесь интересные идеи для дальнейших экспериментов. Кроме того, институциональные инвесторы, стремящиеся автоматизировать процесс принятия решений, могут рассмотреть эту систему как основу для создания более надёжных торговых стратегий.

Что остаётся неизвестным?

Несмотря на обнадёживающие результаты, остаётся несколько открытых вопросов. Во-первых, неясно, насколько система эффективна на других рынках, таких как США или Европа, где структура и динамика могут существенно отличаться. Во-вторых, тестирование проводилось на исторических данных, и поведение системы в режиме реальной торговли может отличаться. Наконец, в работе не раскрыты детали реализации LLM и конкретные архитектуры моделей, что затрудняет воспроизведение результатов и оценку обобщаемости подхода. Будущие исследования должны ответить на эти вопросы, чтобы подтвердить универсальность и практическую применимость ContestTrade.