本文基於 TradingAgents 多智能體 LLM 金融交易框架，探索其在 BTC 加密資產市場中的遷移應用。研究首先梳理了 TradingAgents 的核心架構，包括分析師團隊、研究員辯論、交易員決策、風險管理團隊和基金經理審批等角色分工，並在此基礎上針對 BTC 市場特點進行改造。隨後，本文以 BTC/USDT 為研究對象，使用 2026 年 2 月 1 日至 2026 年 5 月 1 日的 1 小時數據構建回測實驗，並與 Buy and Hold 基線策略進行對比。回測結果顯示，TradingAgents-BTC 在測試區間內取得 +20.25% 總收益，顯著優於同期 Buy and Hold 的 -7.89%。整體來看，該實驗表明多智能體 LLM 框架在 BTC 交易場景中具備一定的主動擇時和風險控制能力，但由於樣本區間較短，且加密市場受交易成本、滑點、信號延遲和極端行情影響較大，後續仍需在更長周期和更多市場環境下進一步驗證其穩定性與泛化能力。

摘要

在多種 LLM 交易框架中，Multi-Agent 架構相比單一 LLM 直接生成買賣信號更接近真實金融機構的投研流程。
TradingAgents 是一種基於 Multi-Agent LLM 的金融交易框架，其核心思想是模擬真實交易公司的組織結構，將複雜的交易決策過程拆解為多個專業角色協作完成。
原論文實驗表明，TradingAgents 在股票市場回測中優於多種傳統基線策略，在累計收益、夏普比率和最大回撤等指標上均有改善。
TradingAgents-BTC 在測試區間內取得 +20.25% 總收益，顯著優於同期 Buy and Hold 的 -7.89%，說明該框架在特定市場階段具備一定主動擇時能力。
本次回測區間僅覆蓋約三個月，樣本周期較短，且 1 小時級別交易可能受到手續費、滑點和信號延遲影響。後續應在更長周期、不同市場階段下進一步驗證策略穩定性。

1. 引言

近年來，越來越多研究開始探索如何將 LLM 應用於金融交易場景。雖然當前相關研究尚未形成成熟的標準化產品，但學術界已經出現多種方向，包括基於 LLM 的金融分析助手、交易機器人、帶記憶機制的交易智能體、結合強化學習的 LLM 交易模型，以及多智能體協作式交易框架。

相比單一 LLM 直接生成買賣信號，Multi-Agent 架構更接近真實金融機構的投研流程。它可以將交易任務拆分為多個角色，例如技術分析師、新聞分析師、情緒分析師、研究員、交易員和風險經理。不同智能體分別處理不同信息源，並通過辯論、匯總和風險審查形成最終決策。這種結構有助於降低單一模型的認知負擔，也能提升決策過程的透明度和可解釋性。

Yijia Xiao 等人提出的 TradingAgents 是這一方向的代表性工作。該框架模擬真實交易公司的組織結構，設置多個角色。系統首先由分析師收集並分析市場信息，再由研究員進行多空辯論，隨後交易員生成交易決策，最後由風險管理團隊和基金經理進行風險審查與執行確認。原論文實驗表明，TradingAgents 在股票市場回測中優於多種傳統基線策略，在累計收益、夏普比率和最大回撤等指標上均有改善。

然而，TradingAgents 的原始實驗主要集中在股票市場，其在加密資產市場中的適用性仍有待驗證。因此，將 TradingAgents 遷移到 BTC 市場具有一定研究價值。本文將基於 TradingAgents 構建 BTC 交易回測實驗，探索Multi-Agent 交易框架在加密市場中的應用效果。

2. TradingAgents 架構介紹

TradingAgents 是一種基於 Multi-Agent LLM 的金融交易框架，受真實公司組織結構啟發，TradingAgents 在一個模擬交易公司中定義了 4 類不同的智能體角色：分析師、研究員、交易員、風險管理和基金經理。每個智能體都被分配特定名稱、角色、目標和約束，同時擁有與其功能相匹配的預定義上下文、技能和工具。

2.1 分析師團隊

原始 TradingAgents 框架中主要包括四類分析師：

基本面分析師： 負責分析公司財務狀況、盈利能力、估值水平、財務報表、收益報告和內部人交易等信息。其目標是判斷資產的長期投資價值，並識別是否存在被低估或高估的情況。
情緒分析師： 負責分析社交媒體、投資者評論、公開討論和市場情緒指標。其目標是判斷投資者群體的情緒變化，以及這些情緒是否可能在短期內影響資產價格。
新聞分析師： 負責分析新聞事件、公司公告、政策變化和宏觀事件。其目標是識別可能影響市場走勢的重要信息，並判斷其短期或中期影響。
技術分析師： 負責分析價格、成交量和技術指標，例如 MACD、RSI、布林帶、均線和波動率指標。其目標是判斷市場趨勢、動量強弱、超買超賣狀態和潛在買賣點。

2.2 研究員團隊

TradingAgents 中的研究團隊通常由兩個相反立場的智能體組成：

看多研究員： 從積極角度解釋市場信息，強調上漲邏輯、增長潛力、利好因素和買入理由。
看空研究員： 看空研究員從謹慎或負面角度解釋市場信息，強調下跌風險、估值壓力、市場不確定性和潛在利空因素。

兩個研究員會圍繞分析師報告進行多輪辯論。辯論結束後，系統會總結雙方觀點，並形成一個相對平衡的市場判斷，該機制的意義在於引入觀點對抗。

2.3 交易員

交易員會綜合分析師團隊的結構化報告、研究員的觀點和當前市場狀態，生成初步交易決策（Buy/Sell/Hold）。同時，交易員還需要給出交易理由、信心程度和可能風險。其輸出不僅包括行動信號，也包括自然語言解釋。這一點使 TradingAgents 相比傳統黑箱模型更容易被審查和調試。

2.4 風險管理團隊

風險管理團隊通常包含三類風險偏好的智能體：

激進型風險經理： 關注高收益機會，傾向於在有利條件下接受更高風險。
中性風險經理： 在收益和風險之間保持平衡，關注策略是否具有合理的風險回報比。
保守型風險經理： 優先控制回撤和極端風險，傾向於降低倉位或避免不確定性較高的交易。

風險管理團隊會討論交易員決策是否合理，包括當前倉位是否過大、市場波動是否過高、是否存在突發事件風險、是否需要降低交易規模等。經過風險審查後，系統可能維持原交易建議，也可能調整倉位或改變交易動作。

2.5 基金經理與決策

基金經理是 TradingAgents 中的最終決策確認角色。基金經理會審閱風險管理團隊的討論結果，並據此決定是否批准交易員的建議。其作用類似於真實交易機構中的最終審批者，負責在收益機會和風險控制之間做出最終權衡。

3. 基於 TradingAgents 機構的加密交易框架

加密市場同樣受到多源信息影響，包括價格走勢、成交量、新聞、宏觀政策、鏈上資金流和市場情緒。因此，本文將在保留 TradingAgents 核心工作流的基礎上，將其分析師角色調整為更適合加密市場的技術分析師、新聞分析師、情緒分析師和宏觀/鏈上分析師，並檢驗該框架在 BTC 回測中的表現。

3.1 總體框架

首先輸入加密市場數據，再由分析師團隊分別從技術、新聞、情緒和宏觀/鏈上角度進行分析；隨後研究團隊基於分析結果展開看多與看空討論，交易員綜合各方觀點生成 Buy、Sell 或 Hold 信號；之後風險管理團隊從激進、中性和保守三個風險視角對交易建議進行審查，最終形成交易決策，並輸入回測系統評估策略表現。

3.2 智能體角色設計

技術分析師： 分析代幣的價格走勢、成交量和技術指標，包括 MA、EMA、MACD、RSI、Bollinger Bands、ATR、ADX 等。其輸出包括趨勢判斷、動量強弱、波動率水平、超買超賣狀態和關鍵支撐阻力位。

新聞分析師： 分析與代幣相關的新聞事件，例如 ETF 資金流、監管政策、交易所事件、機構持倉變化、宏觀經濟數據和地緣政治風險。其輸出包括新聞摘要、利多利空判斷和可能影響周期。

情緒分析師： 分析市場情緒，包括社交媒體討論、新聞情緒、Fear & Greed Index、社區熱度等。其重點判斷市場是否處於 FOMO、恐慌、過熱或中性狀態。

宏觀+鏈上分析師： 關注鏈上活躍地址、交易所淨流入/淨流出、長期持有者行為、礦工餘額、穩定幣供應、BTC Dominance、美元指數和美債收益率等因素。其目標是捕捉代幣的資金流和宏觀流動性變化。

研究員： 看多研究員基於所有分析師報告構建上漲邏輯，強調有利因素和潛在突破機會。看空研究員則構建下跌邏輯，強調回撤風險、市場過熱、宏觀壓力或鏈上賣壓。兩者通過辯論形成更平衡的市場判斷。交易員綜合分析師報告和研究員辯論結果，輸出最終交易信號，包括 Buy、Sell 或 Hold，同時給出置信度、倉位建議和交易理由。

風險管理團隊： 對交易員決策進行審查。激進視角關注收益機會，中性視角平衡收益和風險，保守視角優先控制回撤。最終決策需要經過風險團隊調整後進入回測執行。

4. 數據與實驗設計

底座模型： ChatGPT 5.5

研究對象： BTC/USDT 作為研究對象

回測區間： 2026 年 2 月 1 日至 2026 年 5 月 1 日，與 TradingAgents 原論文的三個月回測設置保持一致

數據頻率： 1 小時數據

數據來源： 實驗數據由 Gate MCP 獲取，包括：BTC/USDT 價格數據、技術指標數據、新聞數據、社交媒體或情緒數據、Fear & Greed Index、ETF 流入流出、非農數據、美債收益率、CPI、利率決議等。為避免前視偏差，每個交易日只能使用該日之前已經公開的數據。

交易規則： 系統每日生成一次交易決策。基本交易規則如下：

交易類型：市價下單，行為分三類：Buy/Sell/Hold
倉位：實驗不使用槓桿，倉位為 0% 或 100%
手續費： 0.1%
滑點：0.05% - 0.1%
基線策略：Buy and Hold，即全程持有 BTC。

5. 回測結果

5.1 收益表現

從回測結果看，策略總收益為 +20.25%，而同期買入持有收益為 -7.89%，相對 Buy & Hold 獲得 +28.14% alpha。這說明在該測試區間內，策略不僅避免了單純持有 BTC 在下跌和震盪階段的損失，還通過多空切換捕捉到了一部分階段性反彈收益。

從收益曲線看，Buy & Hold 在整個區間長期處於負收益狀態，尤其在 2 月下旬至 4 月上旬經歷較大回撤；而 TradingAgents 策略在 3 月初之後明顯拉開差距，並在 4 月下旬 BTC 反彈階段繼續擴大收益。說明策略在震盪下跌階段並非被動承受風險，而是通過 Sell / Underweight 和 Flat 狀態減少了部分損失，同時在反彈階段重新切入多頭。

從倉位分布看，策略並不是長期單邊做多，而是在 Long、Flat 和 Sell/Underweight 之間頻繁切換。回測期間共有 43 天 Buy/Overweight、31 天 Sell/Underweight、15 天 Hold/Flat。這說明 TradingAgents-BTC 更像是一種主動擇時策略，而不是趨勢持有策略。其 Daily Win Rate 為 52.70%，勝率不算特別高，但 Profit Factor 為 1.35，說明盈利交易的收益總額能夠覆蓋虧損交易，策略優勢主要來自盈虧結構而非極高勝率。

5.2 風險表現

風險控制方面，策略最大回撤為 -17.41%，低於 Buy & Hold 的 -27.06%，說明多智能體框架中的交易判斷和風險控制機制在該區間內起到了一定防守作用。策略的 Calmar Ratio 為 6.492，表現較好，說明單位回撤下的收益效率明顯優於簡單持有。Annualised Sharpe 為 1.738，Sortino Ratio 為 2.070，表明策略在風險調整後收益方面具備一定優勢，尤其是下行波動控制相對較好。

6. 總結

本文基於 TradingAgents 多智能體 LLM 金融交易框架，探索其在 BTC 加密市場中的遷移應用。通過將原有股票交易流程調整為適合加密市場的結構，系統引入技術分析、新聞分析、情緒分析和宏觀/鏈上分析等角色，並通過看多/看空研究員辯論、交易員決策和風險管理團隊審查，形成最終交易信號。該設計體現了 Multi-Agent 架構在多源信息整合、觀點對抗和風險控制方面的優勢，也為 LLM 交易系統應用於加密市場提供了一個可解釋的研究框架。

回測結果顯示，TradingAgents-BTC 在測試區間內相較 Buy & Hold 取得了更好的收益和風險表現，說明多智能體 LLM 框架在 BTC 交易場景中具有一定應用潛力。不過，該結果仍需謹慎解讀：回測區間僅覆蓋約三個月，樣本周期較短，且 1 小時級別交易可能受到手續費、滑點和信號延遲影響。後續應在更長周期、不同市場階段下進一步驗證策略穩定性，並進一步評估鏈上數據、宏觀變量和風險管理模塊對策略表現的具體貢獻。

參考文獻

Gate 研究院是一個全面的區塊鏈和加密貨幣研究平台，為讀者提供深度內容，包括技術分析、熱點洞察、市場回顧、行業研究、趨勢預測和宏觀經濟政策分析。
免責聲明 加密貨幣市場投資涉及高風險，建議用戶在做出任何投資決定之前進行獨立研究並充分了解所購買資產和產品的性質。 Gate 不對此類投資決策造成的任何損失或損害承擔責任。

作者： Puffy

審校： Kieran, Akane

免責聲明

* 投資有風險，入市須謹慎。本文不作為 Gate 提供的投資理財建議或其他任何類型的建議。

* 在未提及 Gate 的情況下，複製、傳播或抄襲本文將違反《版權法》，Gate 有權追究其法律責任。