交易中的传染：对抗信号如何在多Agent系统中传播

基于LLM的多Agent交易系统开始出现在量化金融中，但其面对对抗输入的鲁棒性基本未知。我们研究仅通过允许的社交媒体信息流进入系统、只修改输入的黑盒攻击对LLM交易栈的影响。我们提出通用多Agent交易系统GMATS，刻画现代协作交易架构，并实现一类黑盒投毒攻击者：以LLM生成帖子，在预算约束内向分析者证据流注入看似无害的社交内容。我们定义传染指标，追踪对抗内容如何在系统中传播，包括分析与协调层的信念偏移，以及标准回测指标上攻击与干净条件的差值。基于历史市场和社交数据的安全离线基准显示，即使简单的纯输入攻击也能显著恶化风险收益特征，大幅降低夏普比率。同时，适当设计的多Agent拓扑及协调者提示，能在相同投毒预算下减弱冲击并提高平均鲁棒性。