端到端金融智能体交易框架，比特币分钟级总回报8.39%

“Orchestration Framework for Financial Agents: From Algorithmic Trading to Agentic Trading”

市场微观结构经历了从地面交易到算法交易的演变，算法交易系统包括数据处理、信号提取、投资组合管理和执行评估。

本文提出了一种端到端的金融智能体编排框架，将传统算法交易系统的各个组件映射为智能体，旨在普及金融智能。

实验表明，本方法表现优于标准普尔500指数和ETF；比特币分钟数据的总回报为+8.39%，而买入持有策略为+3.80%。

【 扫描文末二维码加入星球获取论文，源码 】

摘要

本文提出了一种金融智能体的编排框架，旨在普及金融智能。将传统算法交易系统的各个组件映射为智能体，包括规划者、编排者、alpha智能体、风险智能体、投资组合智能体、回测智能体、执行智能体、审计智能体和记忆智能体。股票交易任务（2024年4月至12月）实现回报20.42%，夏普比率2.63，最大回撤-3.59%；相比之下，标普500指数回报15.97%。BTC交易任务（2025年7月27日至8月13日）实现回报8.39%，夏普比率0.38，最大回撤-2.80%；BTC价格上涨3.80%。

简介

市场微观结构经历了从地面交易到算法交易的演变，算法交易系统包括数据处理、信号提取、投资组合管理和执行评估。设计有效的算法交易系统需要专业团队多年开发和测试，AI智能体在金融市场中展现出巨大潜力。

本文提出了一种端到端的金融智能体编排框架，将传统算法交易系统的各个组件映射为智能体，旨在普及金融智能。使用模型上下文协议（MCP）和智能体间协议（A2A）进行智能体间的控制和通信，同时设有记忆智能体记录状态和决策。

股票交易示例（2024年4月至2025年1月）中，智能体实现20.42%的回报，波动率11.83，夏普比率2.63，最大回撤-3.59%；相比之下，S&P 500回报15.97%，等权重方法回报47.46%。BTC交易示例（2025年7月27日至8月13日）中，智能体实现8.39%的回报，波动率24.23，夏普比率0.378，最大回撤-2.80%；BTC价格上涨3.80%。

FinAgent编排的建议框架

概览

构建了一个FinAgent编排框架，分为多个智能体池，涵盖数据、alpha、风险、投资组合和执行阶段，实现从原始数据到交易订单的全流程。使用多种LLM模型（如GPT-4o、Llama3、FinGPT）驱动不同智能体。

数据智能体从多个来源（如Polygon和yfinance）提取数据，比较覆盖率、一致性和延迟，清洗数据并生成特征。Alpha智能体提出信号结构，工具模块计算数值信号，风险智能体计算风险敞口和限制。

通过不同指标（如rank-IC）和回测方法验证信号，只有通过检查的信号才会进入投资组合智能体。在资本和换手率约束下进行长仓和长短仓的回测，保留通过检查的信号和投资组合。运行模拟或实时交易，市场条件下调整设置，评估和归因智能体验证绩效曲线和回撤。规划者和编排者利用日志更新下一轮计划，避免在智能体提示中使用评估窗口结果，记忆模块保持状态以供重用。

控制消息和座席通信

控制消息：MCP通过控制消息管理智能体池，描述任务并等待回复，跟踪健康状态和任务完成情况。管理智能体将任务分解为子任务，分配给下属智能体，合并部分结果返回。

本地交易例子

股票交易和加密交易任务

股票回测管道使用统一的计划图和接口，数据源、时间范围和调度不同。

数据智能体从Polygon和Yahoo Finance获取小时数据，去重、对齐日历、修正异常并计算基线特征（收益、动量、波动率、成交量比）。Alpha智能体基于文献提出因子结构，不访问评估窗口数据，所有信号构建和收益映射由工具模块处理。风险智能体计算市场、行业、个股暴露，执行约束（集中度、波动率、回撤）。投资组合智能体测试多头和多空规则，执行将权重转化为订单，考虑滑点和交易成本。

评估进行走步回测、归因和指标聚合，保持已实现收益和绩效指标对LLM智能体隐藏。加密货币回测管道重用相同的计划图和消息架构，使用分钟级数据和日内提示。数据智能体从Polygon获取分钟数据，去重、对齐时间戳并在决策时钟上聚合特征。

Alpha智能体提出短期微观结构因子结构（订单流失衡、价差、成交量峰值），不访问评估窗口数据。风险智能体对已实现波动率、持仓规模和回撤施加更严格的限制，执行前应用漂移或波动门。投资组合规模遵循长平衡模式并控制换手率，执行仅在所有门通过时发送订单并记录成交。

评估聚合结果为日度指标（波动率、夏普比率、回撤），保持已实现收益和绩效结果对LLM智能体隐藏。

回测结果

实验设置：在股票和BTC上运行一个管道，初始资产为$100,000，交易以总金额单位进行。

股票：对7只股票（AAPL, MSFT, GOOGL, JPM, TSLA, NVDA, META）进行09/2022至01/2025的每小时回测，基准为S&P 500等。

BTC：使用05/2025至08/2025的分钟数据，基准为Buy&Hold。

股票结果：等权基准总回报47.46%（夏普比率3.37），我们的策略总回报20.42%，波动率最低（11.83%），最大回撤最小（-3.59%），夏普比率2.63。

BTC结果：Buy&Hold回报+3.80%，我们的策略回报约+8.4%，超额回报4.6个百分点，波动率和最大回撤均较低。

总结

本文提出了一个针对FinAgents的编排框架，标志着从传统自动交易系统向智能交易的转变。将传统自动交易系统的组件映射为智能体，使用标准智能体协议和共享内存记录以确保可审计性。在统一的股票和比特币交易管道中，表现优于标准普尔500指数和ETF；比特币分钟数据的总回报为+8.39%，而买入持有策略为+3.80%。

未来工作包括更长时间范围和市场的研究、对门控/记忆/消息的消融实验、在市场环境变化下的自适应规划更新、信号的更广泛信息源，以及发布基准和日志以便复制。

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。