面向金融决策的情节记忆检索Agent

大语言模型（LLM）在金融分析与推理上展现出强大能力，激发了近期基于Agent的交易框架的进展。这些系统虽有前景，但既有方法要么强调长时程预测，要么作为无状态分析器运行，限制了其在复杂交易场景需求下的适用性。为弥补这些缺口，我们提出META（Memory Enhanced Trading Agent），首个面向金融决策的、类RAG情节记忆增强的多Agent框架。META集成一族专用指标Agent（如Trend、MACD、Stochastic、RSI、SMA、AVWAP、Heikin-Ashi）与一个融合其报告的Decision Agent，以及一个记忆模块——该模块检索并更新以市场状态嵌入编码、附带结果与反思的历史交易情节。通过回忆相关经验并在相似市场状态下自适应地重新加权信号，META在短时程评估下取得了更高的方向准确率与稳健性。我们的结果表明，情节记忆为交易与决策中的状态感知、可解释、低延迟决策提供了强大机制。该项目代码已在GitHub发布。