基于智能体的多策略对冲基金分析师交流策略研究 Chinese original

“Market-Dependent Communication in Multi-Agent Alpha Generation”

多策略对冲基金面临着一个根本性的组织选择：制定交易策略的分析师是否应该交流？本文使用基于5个智能体的LLM交易系统进行了调查，历时21个月进行了450个实验。

实验发现，交流有效性依市场波动和相关性而异；各结构策略相关性趋同，应聚焦行为机制；不同交流风格使主体优先级不同，解释绩效差异。

【 扫描文末二维码加入星球获取论文，源码 】

摘要

多策略对冲基金面临着一个根本性的组织选择：制定交易策略的分析师是否应该交流？本文使用基于5个智能体的LLM交易系统进行了调查，历时21个月进行了450个实验，比较了从孤立基线到协作和竞争对话的五种组织结构。

我们发现交流可以提高绩效，但最优的交流设计取决于市场特征。竞争对话在波动的科技股中表现突出，而协作对话在稳定的普通股中占主导地位。金融类股票抵制通讯干预。令人惊讶的是，所有的结构——包括孤立的智能体——都趋向于类似的战略组合，挑战了透明度导致有害多样性丧失的假设。

绩效差异源于行为机制：竞争主体关注股票水平分配，而协作主体开发技术框架。谈话质量得分与回报呈零相关。这些发现表明，最优的交流设计必须符合市场波动特征，而复杂的讨论并不能保证更好的性能。

简介

本文研究基于5个智能体的LLM交易系统开展了450次实验，对比了5种组织结构。

实验发现，交流提升绩效，最优交流设计取决于市场特征，竞争对话在科技股波动市场表现优，协作对话在稳定市场占优，金融股对交流干预不敏感；各结构策略相关性趋同，否定“透明度致多样性损失”；绩效差异源于行为机制，竞争重战术定位，协作重方法完善；对话质量与回报零相关。

本文证明交流有效性依市场波动和相关性而异；各结构策略相关性趋同，应聚焦行为机制；不同交流风格使主体优先级不同，解释绩效差异。

相关工作

过往基于大语言模型的交易研究多聚焦单主体架构。部分研究表明多主体辩论可优化决策、多模态分析能获超额收益，但假定主体独立无资金竞争；部分多主体交易系统开展类似竞争的锦标赛，未测试不同交流结构是否优于纯竞争；有的研究通过明确约束确保多样性，而本文表明信息共享与否都会收敛。理论预测存在分歧，有认为竞争驱动创新，有认为信息共享利于信息不足的主体。

与以往假定主体多样或施加人为约束不同，本文分离组织设计与主体异质性的影响，测试交流有效性是否取决于市场特征，并通过分析对话内容解析绩效结果和行为机制。

方法

研究目的：通过受控多智能体交易系统，测试组织结构对集体阿尔法生成的影响。

实验设置：部署5个基于LLM的交易智能体，交易21个月（2024.1 - 2025.9），独立生成阿尔法表达式并依绩效反馈调整策略，每种配置运行30次，共450次实验，交易于三个市场。

组织结构：对比5种涵盖信息共享范围的结构，包括无交流基线组、仅见排名组、协作对话组、对话+排名组、竞争对话组。

实验操作：智能体用超50种数学运算构建表达式，每月接收绩效指标调整，对话配置可积累讨论成果。

评估指标：用总回报、夏普比率衡量绩效，用日均配置相关性量化策略多样性，对话配置用CORE分数评估讨论质量，均采用基于回报的资本再分配。

结果

图2展示性能较基线的提升（完整指标见C）。交流对科技和普通股票有性能提升效果，但对金融股无效，表明最优设计取决于市场特征。交流有效性随市场特征系统变化：协作对话在稳定市场（普通股票）相对提升最大（+24.6%），因共识能减少可预测环境中的错误；竞争对话在波动市场（科技股票）表现出色（+18.2%），利于战术定位；金融股对交流干预抵抗性强（最大提升+7.7%），排行榜可见性甚至有损表现，说明高相关性行业存在结构限制。

所有策略的收敛性都一样，但性能仍然不同

所有组织结构有相似收敛模式，但绩效有差异。图3显示各配置战略一致性相近，挑战“透明度致有害收敛”假设。

基线智能体与有完全透明度的竞争智能体收敛程度相当，技术市场、通用股票、金融领域均呈现相似收敛特征。

普遍收敛源于市场结构，非信息共享，因所有智能体获取相同数据、用相同函数库且面临基于回报的重新分配。收敛本身无害，关键是收敛的策略。

绩效差异源于行为机制，竞争智能体注重股票层面分配且关注排名，协作智能体通过建立共识发展分析框架，即便最终相似度相近，也影响策略稳健性。

总结

我们致力于人工智能、量化交易领域前沿研究，分享前沿论文、模型代码、策略实现。如有相关需求，请私信与我们联系。

请加微信“LingDuTech163”，或公众号后台私信“联系方式”。

关注【灵度智能】公众号，获取更多AI资讯。