20260828-中金公司-中金_大模型系列_8_量价Multi-Agent架构_事件驱动的智能交易引擎_16页_2mb

中金 | 大模型系列（8）：量价Multi-Agent架构，事件驱动的智能交易引擎

核心内容总结

本报告提出了一种基于Multi-Agent架构的量价分析框架，用于在正向基本面事件发生后，进一步评估市场对信息的定价状态，为事件驱动型交易提供更细致的筛选依据。该框架由三个智能体组成：量价指标智能体、识图智能体和最终决策智能体，分别负责数值分析、图形识别和多维证据综合判断。

主要观点

• 量价信息的补充作用：基本面事件虽能提供方向性信号，但其能否转化为超额收益取决于市场定价状态。量价信息能够帮助判断市场是否已充分定价利好信息，以及价格是否仍有上涨空间。
• Multi-Agent框架的优势：该框架将交易逻辑拆解为多个可复核、可追溯的分析环节，提高分析的完整性与可解释性，同时降低单一模型处理复杂输入时的注意力分散。
• 评分与收益的正相关性：全样本统计显示，评分越高的样本对应更好的未来表现。20日维度的收益区分更加清晰，说明量价状态对事件信号的增量解释需要一定的时间窗口。
• 评分稳定性与可重复性：模型在20日判断上表现出更高的稳定性，5日判断则可能因单日波动和证据权重变化而出现分歧，需通过多次运行集成判断以减少波动影响。
• 事件信号的筛选能力：量价Agent能够对分析师正向事件信号进行二次筛选，识别出具有更高胜率和超额收益的样本，尤其是强看多组在20日维度表现尤为突出。
• 风险提示与局限性：尽管该框架在识别高置信度机会方面表现良好，但仍需注意模型可能存在的偏差、数据质量、市场环境变化等因素。评分应作为基本面信号的辅助工具，而非直接用于交易决策。

关键信息

1. Multi-Agent架构组成

• 量价指标智能体：负责归纳波动率、趋势强度、动量、价格路径、成交量等精确状态。
• 识图智能体：基于K线结构、上下影线、趋势通道、量柱变化、MACD演化等图形特征进行全局分析。
• 最终决策智能体：综合事件属性、量价指标与图形结构，形成未来5日与20日的独立方向评分。

2. 评分逻辑与输出结构

• 评分范围：[-1, 1]，正数代表看多，负数代表看空。
• 方向标签：强看多、偏看多、中性、偏看空、强看空。
• 评分区间：
  • 强看空：[-1, -0.35]
  • 偏看空：[-0.35, -0.2]
  • 中性：[-0.2, 0.2]
  • 偏看多：[0.2, 0.4]
  • 强看多：[0.4, 1]

3. 实证结果与表现

• 全样本表现：
  • 未来5日：强看多组平均超额收益为 $1.58%$，胜率为 $52.0%$。
  • 未来20日：强看多组平均超额收益为 $2.71%$，胜率为 $54.0%$。
• 年度表现：
  • 2023年：偏看多组表现领先，强多空收益差为 $0.03%$。
  • 2024年：强看多组收益与胜率均占优，强多空收益差为 $0.79%$。
  • 2025年：强看多组表现最佳，强多空收益差为 $6.23%$，且评分与收益呈现最显著的单调性。
  • 2026年：多数分组录得负超额收益，强看多组仍是唯一正收益组别，强多空收益差为 $2.41%$。
• Pearson IC：
  • 全样本为 $0.0369$，各年度均保持正值，表明评分与未来收益方向一致。
  • 2025年IC值最高为 $0.0904$，说明该年评分对收益的解释力最强。

4. 事件信号类型

本研究选取四类正向分析师事件信号进行分析：

5. 评分应用与限制

• 评分用途：作为基本面事件信号的辅助筛选工具，用于识别高置信度机会。
• 评分局限性：
  • 评分可能受到数据质量、模型推理偏差和市场环境变化的影响。
  • 评分不构成确定性收益预测或交易指令，需结合基本面研究、组合约束和风险控制使用。
  • 部分评分存在随机性，需通过多次运行集成判断。

总结

Multi-Agent量价分析框架通过整合数值状态、图形结构和交易逻辑，为正向基本面事件信号提供更细致的筛选依据。其在识别高置信度机会方面表现优异，尤其在20日维度具有更清晰的收益区分能力。尽管存在一定的随机性和局限性，但其评分与收益呈现正相关关系，能够为事件驱动型交易提供有效支持。实际应用中，应结合基本面判断与风险管理，避免将评分作为唯一决策依据。