25
0ContestTrade： A Multi-Agent Trading System Based on Internal Contest Mechanism
1. 摘要与核心创新
ContestTrade 是一种创新的多智能体交易系统，旨在解决大型语言模型（LLM）在金融交易中对市场噪音敏感、决策不一致的问题。该系统受现代企业管理模式启发，通过引入内部竞争机制，显著提升了LLM交易系统的稳健性和整体性能。
核心创新点包括：
- 内部竞赛机制： 在系统内部设立由真实市场反馈驱动的实时评估和排名机制。系统只采纳表现最佳的智能体输出，从而实现持续的自我优化，有效抵御市场噪音的干扰。
- 深度研究方法： 将“深度研究”框架应用于金融交易，使LLM智能体能够自主规划并利用专业的金融工具进行深入分析，从而大幅提高交易信号的质量。
- 两层团队协作与竞争框架： 将上述创新整合到一个高效的两层团队架构中，不仅解决了LLM的上下文长度限制问题，也展示了一种结合了协作与竞争的金融AI新范式。
2. 系统架构与团队职能
ContestTrade 模仿投资公司的运作模式，设有 数据团队 和 研究团队 两个专业部门。
2.1 数据团队
- 职能： 负责将海量的原始市场数据（如新闻、财报、公告）处理并浓缩为高质量的“文本因子”。这些文本因子是适合LLM有限上下文窗口的自然语言摘要，解决了信息过载问题，为后续分析提供了简洁、高信号价值的信息输入。
- 工作流程： 团队由多个数据分析智能体并行工作，每个智能体负责处理不同的数据源。它们会动态排序信息优先级，通过“广泛阅读”筛选出高相关性项目，再进行“并行精读”与总结，最终生成严格限制在4000个token内的文本因子。
2.2 研究团队
- 职能： 作为市场洞察与可操作交易信号之间的桥梁。该团队利用数据团队提供的文本因子，进行深入分析，最终生成精确且有充分依据的交易建议。
- 工作流程： 团队由多个自主研究智能体组成，每个智能体被初始化一个独特的“交易信念”，以促进决策的多样性。智能体遵循“Plan + ReAct”框架，通过迭代规划、推理和使用专业的金融工具套件（如市场数据查询、图表分析等），最终生成包含交易标的、操作（买/持/卖）、证据和限制声明的结构化交易信号。
3. 竞赛机制：通用自适应框架
内部竞赛机制是ContestTrade的核心，其目标是将资源优先分配给持续表现优异的智能体。该机制遵循一个“量化-预测-分配”的三阶段模型。
- 数据分析师竞赛：目标： 在满足LLM上下文长度限制的前提下，从所有生成的文本因子中构建一个最优的因子组合，以最大化信息价值。
流程： 首先通过模拟“零智能交易员”来量化每个因子的内在预测能力；然后使用LightGBM模型预测因子未来的风险调整后效用；最后，通过类似“0/1背包问题”的算法，选择预期效用最高的因子组合。 - 研究员竞赛：目标： 动态地将资本分配给研究智能体，以最大化投资组合未来的风险调整后回报。
流程： 首先通过“评判增强的绩效得分”（结合历史真实业绩和LLM评判小组对逻辑质量的打分）来量化每个智能体的潜力；然后使用LightGBM预测智能体未来的效用（夏普比率）；最后，采用“预测夏普比率加权”策略，按比例将资本分配给预测夏普比率为正的智能体。
4. 实验设置与结果
- 实验设置：数据集： 包含新闻、公司财务和市场数据的真实世界金融数据集。
市场与时间： 在A股市场进行日频交易模拟，测试期（2025年1月-6月）严格晚于LLM的知识截止日期，以避免前瞻性偏差。
基线模型： 包括市场指数、传统技术分析（MACD）、机器学习（LGBM）、深度学习（LSTM）、强化学习（PPO）以及其他多智能体系统（MASS）。 - 主要结果：策略性能： ContestTrade在所有性能指标上均显著优于所有基线模型，取得了 52.80%的累积回报（CR）、3.12的夏普比率（SR） 和仅 12.41%的最大回撤（MDD）。
竞赛有效性： 内部竞赛机制的预测能力得到了验证，因子排名和信号排名的预测均表现出很高的信息系数（Rank IC），证明该机制能有效将嘈杂的市场信息提炼为有价值的策略。
消融研究： 移除系统中的任何核心组件（如LLM评判、竞赛机制、深度研究）都会导致性能显著下降，证明了每个设计元素的不可或缺性。
5. 结论与未来工作
ContestTrade通过引入内部竞赛机制和深度研究方法，成功克服了LLM交易系统在真实市场中的主要挑战，其卓越的实验结果展示了该系统在回报、风险控制方面的巨大优势。
未来工作方向 包括进行更大规模的模拟、集成更强的推理框架、拓展到更广泛的市场（如美股、外汇）以及整合更多样化的数据源。ContestTrade为智能自主交易领域提供了一个可推广、可扩展的全新范式。
