基于LLM的多Agent框架在金融市場數據的應用
架構
圖片
上圖展示了本文的整體架構：結合了傳統的統計技術和大型語言模型驅動的多智能體系統。首先利用從簡單的規則、無監督學習和深度學習技術等現有手段，對金融表格數據中的異常進行識別。異常識別后，將數據傳到LLM多智能體系統中。
整個系統包括：數據轉換Agent、數據專家Agent、報告整合Agent、管理層討論。
其中數據專家Agent包括三個專家：
? 網絡調研專家：這位專家通過網絡資源的深入挖掘，如數據發布方的公告、頭條新聞或社交媒體動態，來核實異常信息的真偽。
? 機構智庫專家：充當資深市場分析師，這位專家運用深厚的領域知識為發現的異?，F象提供詳盡的背景和闡釋。其知識庫源自過往分析、數據供應商的交流、歷史問題檔案及統計方法等。
? 交叉驗證專家：專注于利用其他可信來源進行數據對證，這位專家在驗證或駁斥已發現的異常中扮演關鍵角色。即便缺乏完全相同的數據集，專家也能參考趨勢相近的數據序列進行分析，比如對比同一市場的不同股票指數或研究相似期限的國債收益率。
比較有意思的是這個管理層討論：當專家分析匯總為摘要報告后，該報告便提交給一個管理層代理小組。小組成員各司其職，針對報告中的關鍵發現展開深入審查與討論。與專注于數據細節的數據專家代理不同，管理層代理被賦予宏觀視角，以模擬現實組織中的高層決策過程。這樣的設計讓戰略視角和更寬廣的背景得以在決策中發揮作用。代理們在討論中相互交流觀點，辯論不同解讀，并評估研究結果的影響。討論最終達成共識，明確接下來的行動方向。
標普500數據上的應用
接下來，作者通過標普500指數的每日數據序列（1980年至2023年）的案例，實際展示了多智能體AI框架的操作應用。詳細闡述了LLM支持的多智能體模型是如何處理和分析真實金融數據的，從發現異常到最終決策的每個環節都進行了闡釋。選擇標普500指數作為案例研究，意在突出該框架在處理金融數據集復雜性方面的高效能力。
第一步：異常值檢測
用Z-Score對標普500指數的漲跌幅數據進行異常值檢測。閾值是10個ZScore，以便精確地揪出重大異常值，專注于最突出的偏離情況。
圖片
在1987年10月19日、2008年10月13日和2020年3月16日這三個日期（見上圖）發現了三個異常值。為了進一步考驗框架的識別能力，還故意在數據集中加入了三個缺失值。發現異常后，這些數據點被轉換成機器可處理的格式（見下表），為AI代理的后續分析做好了準備。
圖片
第二步：數據問題 Agent
當接收到異常數據及其關聯的元數據時，負責提出數據問題的專家Agent在驗證異常的最初階段起著至關重要的作用。這位專家提出的問題是多方面的：它們既驗證了檢測到的異常的本質，也探究了這些異常在歷史和市場背景下的重要性，并為進一步核實準備了適合LLM的問題。下表展示了如何指導該專家并讓其針對標普500指數中的異常情況進行回答。
圖片
圖片
第三步：數據專家 Agent
數據專家Agent 1: Web Research
圖片
數據專家Agent 2: 機構智庫專家
圖片
數據專家Agent 3: 交叉驗證專家
圖片
第四步：報告整合專家 Agent
圖片
第五步：管理層討論
圖片
Arxiv[1]
通往 AGI 的神秘代碼
if like_this_article():
do_action('點贊')
do_action('再看')
add_wx_friend('iamxxn886')
if like_all_arxiv_articles():
go_to_link('https://github.com/HuggingAGI/HuggingArxiv') star_github_repo(''https://github.com/HuggingAGI/HuggingArxiv')引用鏈接
??[1]?? Arxiv: https://arxiv.org/abs/2403.19735
本文轉載自 ??大語言模型論文跟蹤??，作者：HuggingAGI
