AlphaAgents от BlackRock: мультиагентные LLM для нового подхода к формированию акцийного портфеля

Обзор

Исследовательская команда BlackRock представила AlphaAgents, модульную мультиагентную систему, применяющую большие языковые модели для отбора акций. Архитектура разделяет исследовательские задачи между специализированными агентами, сочетая фундаментальный анализ, оценку сентимента и метрики оценки стоимости, а также включает механизмы координации для снижения галлюцинаций и когнитивных искажений.

Почему важны мультиагентные системы в исследовании акций

Традиционный анализ акций опирается на аналитиков, которые объединяют данные из 10-K/10-Q, транскриптов звонков с инвесторами, новостей и рыночных индикаторов. Этот процесс подвержен искажениям, таким как чрезмерная уверенность и боязнь потерь. Отдельные LLM способны быстро обрабатывать большие объемы неструктурированных данных, но имеют ограничения: галлюцинации, узкая фокусировка и сложности с устранением биасов. Мультиагентные системы вводят совместное рассуждение, дебаты и выработку консенсуса для уменьшения этих проблем.

Архитектура AlphaAgents

AlphaAgents распределяет функции между тремя ключевыми специализированными агентами:

• Фундаментальный агент

  • Роль: автоматизирует качественный и количественный анализ фундаментальных показателей компании на основе отчетов, отраслевых трендов и финансовых отчетов.
  • Инструменты: Retrieval-Augmented Generation (RAG), прямой парсинг отчетов и доменно-специфичные промпты.

• Агент сентимента

  • Роль: анализирует финансовые новости, рейтинги аналитиков, кадровые изменения и раскрытия инсайдерских сделок для оценки влияния сентимента на цены акций.
  • Инструменты: суммаризация на базе LLM и reflection-enhanced prompting для классификации сентимента и выработки рекомендаций.

• Агент оценки стоимости

  • Роль: оценивает исторические цены и объемы, вычисляет годовую доходность и волатильность, выявляет ценовые тренды.
  • Инструменты: вычислительная аналитика для расчетов волатильности и доходности с математическими ограничениями для строгой проверки.

Каждый агент работает с данными, одобренными для его роли, что снижает перекрестное загрязнение информации и повышает дисциплину анализа.

Ролевое промптирование и координация

AlphaAgents использует ролевое промптирование для выравнивания поведения агентов под конкретные финансовые задачи. Координация реализована через групповую чат-ассистентскую прослойку (на базе Microsoft AutoGen), которая обеспечивает равное участие агентов и консолидацию результатов. При расхождениях применяется пошаговый 'multi-agent debate', где агенты обменяются аргументами и придут к согласованному выводу, улучшая объяснимость и снижая риск неверных выводов.

Моделирование риск-толерантности

Важная особенность — моделирование риск-толерантности на уровне агентов через промпты, имитирующие профиль инвестора. Например:

• Риск-авертивные агенты формируют узкие селекции, отдавая приоритет низкой волатильности и финансовой стабильности.
• Риск-нейтральные агенты делают более широкие выборки, балансируя потенциал роста и умеренную осторожность.

Это позволяет адаптировать конструкцию портфеля к разным мандатам и предпочтениям инвесторов.

Оценка и бэктестинг

AlphaAgents оценивают через несколько подходов:

1. Метрики RAG: инструменты вроде Arize Phoenix измеряют достоверность и релевантность выводов агентов, использующих RAG.

2. Бэктестинг портфелей: портфели, сформированные агентами, тестируются против бенчмарка на четырехмесячном окне. Портфели включают одиночные агентские портфели и скоординированный мультиагентный портфель. Метрики производительности: накопительная доходность, риск-скорректированная доходность (Sharpe) и скользящий Sharpe для динамической оценки риска.

Основные наблюдения:

• Сценарий риск-нейтральности: скоординированный мультиагентный портфель превосходит одиночные подходы и рынок, сочетая краткосрочные сигналы сентимента и оценки с долгосрочными фундаментами.
• Сценарий риск-авертивности: все агентские портфели более консервативны и отстают при ралли технологического сектора, но мультиагентный подход демонстрирует меньшие просадки и лучшую защиту капитала.

Практические выводы и масштабируемость

Мультиагентные LLM-системы, такие как AlphaAgents, обеспечивают модульное и объяснимое принятие решений для отбора акций. Механизм дебатов отражает работу инвестиционных комитетов, формируя прозрачные треки решений, что критично для институционального применения. AlphaAgents может быть интегрирован с оптимизационными движками типа mean-variance или Black-Litterman и расширяться добавлением агентов технического или макроэкономического анализа.

Прозрачность human-in-the-loop также важна: логи обсуждений агентов доступны для проверки, что позволяет делать оверрайды и проводить аудит.

Ресурсы

В публикации указаны ссылки на статью и GitHub с учебниками, кодом и ноутбуками, а также на социальные каналы и сообщество для дальнейшего взаимодействия.