迈向专家级投资团队:具有细粒度交易任务的多智能体LLM系统

大语言模型（LLM）的进步加速了自主金融交易系统的发展。虽然主流方法部署模仿分析师与经理角色的多智能体系统，但它们往往依赖抽象指令，忽视真实工作流的复杂性，可能导致推理性能下降与决策透明度不足。因此，我们提出一个多智能体LLM交易框架，把投资分析显式分解为细粒度任务，而非提供粗粒度指令。我们在日本股票数据（包括价格、财务报表、新闻和宏观信息）上、在控制泄漏的回测设置下评估所提框架。实验结果表明，细粒度任务分解相比传统粗粒度设计显著改善了风险调整后收益。关键的是，对中间智能体输出的进一步分析表明，分析输出与下游决策偏好之间的对齐是系统性能的关键驱动因素。此外，我们进行了标准的投资组合优化，利用与股票指数的低相关性和各系统输出的方差，该方法取得了更优的表现。这些发现为在实际场景中将LLM智能体应用于交易系统时的智能体结构与任务配置设计提供了参考。