Использование искусственного интеллекта (ИИ) на финансовых рынках стремительно развивается, и большие языковые модели (LLM) всё чаще применяются для анализа акций, управления портфелями и выбора ценных бумаг. Исследовательская группа BlackRock предложила AlphaAgents для инвестиционных исследований.
Необходимость мультиагентных систем в исследованиях акций
Управление портфелями акций традиционно опирается на аналитиков, которые синтезируют огромные объёмы разнообразных данных — финансовые отчёты, новости, рыночные индикаторы и многое другое — для обоснованного выбора акций. Этот процесс подвержен когнитивным и поведенческим искажениям, таким как неприятие потерь и чрезмерная самоуверенность, которые хорошо документированы в литературе по поведенческим финансам.
LLM могут быстро обрабатывать большие объёмы неструктурированных данных, извлекая полезную информацию из таких источников, как раскрытия информации в регулирующих органах, отчёты о доходах и рейтинги аналитиков. Однако даже мощные модели сталкиваются с проблемами:
* Галлюцинации: генерация правдоподобной, но неточной информации.
* Ограниченность фокуса: отдельные агенты могут упускать из виду противоположные точки зрения или не учитывать взаимосвязь рыночных настроений, фундаментального анализа и оценки.
* Снижение когнитивных искажений: уменьшение человеческих предубеждений в автоматизированных процессах принятия решений.
Мультиагентные LLM направлены на устранение этих проблем с помощью совместного рассуждения, дебатов и достижения консенсуса.
Архитектура системы AlphaAgents
AlphaAgents — это модульная система, разработанная для отбора акций, с тремя основными специализированными агентами, каждый из которых представляет отдельную аналитическую дисциплину:
1. Фундаментальный агент:
* Функция: автоматизация качественного и количественного анализа фундаментальных показателей компании с использованием отчётности 10-K/10-Q, отраслевых тенденций и финансовых отчётов.
* Инструменты: RAG (Retrieval-Augmented Generation) для анализа отчётов, прямой извлечения данных из документов и разработки доменных подсказок.
2. Агент настроений:
* Функция: анализ финансовых новостей, рейтингов аналитиков, изменений в руководстве и раскрытий инсайдерской торговли для оценки влияния рыночных настроений на цены акций.
* Инструменты: LLM-основанное суммирование и отражение, стимулирующее обоснованные рекомендации и классификацию настроений.
3. Агент оценки:
* Функция: оценка исторических цен и объёмов акций для определения оценки, расчёта годовой доходности/волатильности и оценки тенденций ценообразования.
* Инструменты: вычислительная аналитика для расчёта волатильности и доходности, математические инструменты для обеспечения строгости.
Каждый агент работает с данными, специально предназначенными для их роли, минимизируя междоменное загрязнение.
Ролевое побуждение и рабочий процесс агента
AlphaAgents использует «ролевое побуждение», тщательно разрабатывая инструкции для агентов, соответствующие экспертным знаниям в финансовой сфере. Например, агенту по оценке предлагается сосредоточиться на долгосрочных тенденциях цен и объёмов, тогда как агент настроений синтезирует рыночные реакции, основанные на новостях.
Координация осуществляется с помощью группового чат-ассистента (построенного на Microsoft AutoGen), который обеспечивает справедливое участие и объединяет выходные данные агентов. В случаях расхождения анализа или рекомендаций механизм «мультиагентных дебатов» (в стиле робин-раунда) позволяет агентам делиться точками зрения и итеративно приходить к консенсусу — процесс, разработанный для снижения галлюцинаций и повышения объяснимости.
Включение толерантности к риску
AlphaAgents вводит моделирование толерантности к риску для конкретных агентов с помощью подсказок, имитируя реальные профили инвесторов — нейтральных к риску и склонных к риску. Например:
* Агенты, склонные к риску: сужают выбор акций, подчёркивая низкую волатильность и финансовую стабильность.
* Агенты, нейтральные к риску: более широкий выбор, балансирующий потенциал роста с взвешенной осторожностью.
Это позволяет создавать индивидуальные портфели, отражающие различные инвестиционные мандаты — аспект, который ранее не был широко внедрён в предыдущие мультиагентные финансовые системы.
Оценка и бэктестинг
1. Метрики Retrieval-Augmented Generation (RAG): AlphaAgents использует Arize Phoenix для оценки достоверности и релевантности выходных данных агентов, используя метрики извлечения для агентов, полагающихся на RAG и суммирование (например, фундаментальный и агент настроений).
2. Бэктестинг портфеля: критическая оценка включает бэктестинг портфелей, управляемых агентами, по сравнению с эталоном в течение четырёхмесячного периода.
Портфели включают:
* Портфель агента по оценке.
* Портфель фундаментального агента.
* Портфель агента настроений (при достаточном освещении в новостях).
* Координируемый мультиагентный портфель.
Показатели производительности:
* Совокупная доходность.
* Доходность с учётом риска (коэффициент Шарпа).
* Скользящий коэффициент Шарпа для динамической оценки риска.
Результаты показывают:
* Сценарий нейтрального отношения к риску: мультиагентное сотрудничество превосходит подходы с одним агентом и рыночный эталон, объединяя краткосрочные настроения/оценку и долгосрочные фундаментальные перспективы.
* Сценарий с низким риском: все портфели, управляемые агентами, более консервативны, отстают от эталона из-за роста в технологическом секторе и более низкой подверженности волатильности. Однако мультиагентный подход обеспечивает более низкие просадки и лучшее снижение рисков.
Ключевые выводы и практические последствия
Мультиагентные LLM привносят в отбор акций надёжные, объяснимые рассуждения, с модульной архитектурой для масштабирования и интеграции новых типов агентов (например, технический анализ, макроэкономические агенты).
Механизм дебатов отражает рабочие процессы инвестиционных комитетов в реальных условиях, согласовывая различные точки зрения для прозрачных путей принятия решений — ключевая функция для институционального внедрения.
AlphaAgents служит не только для построения портфеля, но и в качестве модульного ввода для продвинутых механизмов оптимизации (Mean-Variance, Black-Litterman), расширяя варианты использования в современном управлении активами.
Прозрачность «человек в цикле»: все журналы обсуждений агентов доступны для просмотра, предоставляя возможности для переопределения и аудита, критически важные для институционального доверия.
Заключение
AlphaAgents представляет собой значительный шаг вперёд в управлении портфелями с помощью агентов: совместные мультиагентные LLM, модульная архитектура, учёт рисков и строгая оценка. Хотя текущая сфера деятельности сосредоточена на выборе акций, потенциал для автоматизированного, объяснимого и масштабируемого управления портфелями очевиден — позиционирование мультиагентных фреймворков в качестве основополагающих компонентов в будущих системах финансового ИИ.
1. Какие проблемы решают мультиагентные системы в контексте анализа акций и управления портфелями?
В тексте указано, что мультиагентные системы решают несколько проблем, связанных с анализом акций и управлением портфелями. Среди них: галлюцинации (генерация правдоподобной, но неточной информации), ограниченность фокуса (отдельные агенты могут упускать из виду противоположные точки зрения или не учитывать взаимосвязь рыночных настроений, фундаментального анализа и оценки), снижение когнитивных искажений (уменьшение человеческих предубеждений в автоматизированных процессах принятия решений).
2. Какие основные агенты входят в систему AlphaAgents и какие функции они выполняют?
В систему AlphaAgents входят три основных специализированных агента:
* Фундаментальный агент: автоматизация качественного и количественного анализа фундаментальных показателей компании с использованием отчётности 10-K/10-Q, отраслевых тенденций и финансовых отчётов.
* Агент настроений: анализ финансовых новостей, рейтингов аналитиков, изменений в руководстве и раскрытий инсайдерской торговли для оценки влияния рыночных настроений на цены акций.
* Агент оценки: оценка исторических цен и объёмов акций для определения оценки, расчёта годовой доходности/волатильности и оценки тенденций ценообразования.
3. Как работает механизм «мультиагентных дебатов» в системе AlphaAgents?
Механизм «мультиагентных дебатов» в системе AlphaAgents позволяет агентам делиться точками зрения и итеративно приходить к консенсусу. Это происходит в случаях расхождения анализа или рекомендаций. Координация осуществляется с помощью группового чат-ассистента (построенного на Microsoft AutoGen), который обеспечивает справедливое участие и объединяет выходные данные агентов.
4. Какие метрики используются для оценки достоверности и релевантности выходных данных агентов в AlphaAgents?
Для оценки достоверности и релевантности выходных данных агентов в AlphaAgents используются метрики Retrieval-Augmented Generation (RAG). Например, для агентов, полагающихся на RAG и суммирование (например, фундаментальный и агент настроений), используются метрики извлечения.
5. Какие результаты были получены при бэктестинге портфелей, управляемых агентами AlphaAgents?
При бэктестинге портфелей, управляемых агентами AlphaAgents, было показано, что мультиагентное сотрудничество превосходит подходы с одним агентом и рыночный эталон в сценарии нейтрального отношения к риску. В сценарии с низким риском все портфели, управляемые агентами, более консервативны, отстают от эталона из-за роста в технологическом секторе и более низкой подверженности волатильности. Однако мультиагентный подход обеспечивает более низкие просадки и лучшее снижение рисков.