面向专家投资团队：具有细粒度交易任务的多智能体大语言模型系统 --- **摘。.

大型语言模型（LLMs）的进步加速了自主金融交易系统的发展。虽然主流方法部署了模拟分析师和经理角色的多智能体系统，但它们通常依赖于抽象指令，忽视了真实工作流程的复杂性，这可能导致推理性能下降和决策透明度降低。因此，我们提出了一个多智能体大型语言模型交易框架，该框架将投资分析明确分解为细粒度任务，而不是提供粗粒度指令。我们使用日本股票数据（包括价格、财务报表、新闻和宏观信息）在泄漏受控的回测设置下评估了所提出的框架。实验结果表明，与传统的粗粒度设计相比，细粒度任务分解显著改善了风险调整后的收益。至关重要的是，对中间智能体输出的进一步分析表明，分析输出与下游决策偏好之间的一致性是系统性能的关键驱动因素。此外，我们进行了标准的投资组合优化，利用了与股票指数的低相关性和各系统输出的方差。这种方法实现了优越的性能。这些发现对于在实际环境中将大型语言模型智能体应用于交易系统时的智能体结构和任务配置的设计有所贡献。