QuantHarness: ценовые мультиагентные LLM для высокочастотной торговли

6.5/10

Фэй Сюн · Stony Brook University / Carnegie Mellon University · Сян Чжан · University of British Columbia · равный вклад

Аосон Фэн · Yale · Сици Сунь · Fudan University · Чэнью Ю · Stony Brook University · 27 июля 2026 (v4)

Оригинал: Xiong, Zhang, Feng, Sun and You, «QuantHarness: Price-Driven Multi-Agent LLMs for High-Frequency Trading», 2025/2026 — arxiv.org/abs/2509.09995 (PDF).

Код: github.com/Y-Research-SBU/QuantHarness · сайт: Y-Research-SBU.github.io/QuantHarness.

Рисунки воспроизведены из оригинальной публикации. Оригинал распространяется по лицензии CC BY 4.0; перевод выполнен на её условиях.

Ключевые слова: LLM-агенты; высокочастотная торговля; технический анализ; мультиагентные системы; OHLC.

Аннотация

LLM умеют рассуждать о рынках. Мультиагентные каркасы вроде TradingAgent и FINMEM заточены под длинный горизонт: фундаментал и сентимент. Для HFT это плохо: нужны быстрые риск-осознанные решения по структурированным коротким сигналам — индикаторы, паттерны, тренд. QuantHarness — первый мультиагентный LLM-фреймворк явно под высокочастотный алготрейдинг. Четыре агента: Indicator, Pattern, Trend, Risk — каждый со своими инструментами и структурированным рассуждением на коротких окнах. Девять инструментов, включая биткоин и Nasdaq-фьючерсы: выше точность направления на 1-часовых и 4-часовых барах, чем у бейзлайнов. Связка структурированных ценовых сигналов с LLM-рассуждением — путь к трассируемым решениям в почти реальном времени.

1. Введение

Технический анализ считает историю цены самым плотным отражением рынка (Pring, 1991). Фундаментал, макро, потоки институционалов и сентимент в итоге впечатаны в движение цены (Murphy, 1999). Бар OHLC — компактное универсальное представление короткого горизонта: тренды, развороты, пробои, сдвиги импульса по акциям, сырью и цифровым активам (Moskowitz et al., 2012). При гипотезе эффективности (Fama, 1970) цены быстро впитывают публичную информацию; паттерны OHLC — естественная основа короткого прогноза без отстающего текста.

LLM умеют многошаговое рассуждение, вызов инструментов и интерпретируемые решения (OpenAI et al., 2024) — это близко к квант-торговле (Yang et al., 2023). Но большинство финансовых LLM сидят на тексте: новости, соцсети, отчётности (Nguyen et al., 2015; Xiao et al., 2025; Zakir et al., 2025; Zhang et al., 2023a). Два минуса: (i) текст отстаёт от price discovery (Chordia et al., 2013); (ii) шум, неструктурированность, трудно валидировать (Liu et al., 2022a). Короткая динамика уже в OHLC — разумнее выровнять LLM с ценовыми сигналами. По утверждению авторов, до них не было LLM-каркаса для HFT напрямую на OHLC.

**Рисунок 1.** Потоки IndicatorAgent (MACD, RSI, ROC, Williams %R), PatternAgent (формации вроде двойного дна) и TrendAgent (каналы поддержки/сопротивления).

QuantHarness раскладывает торговлю на четыре агента. IndicatorAgent сжимает OHLC в индикаторы. PatternAgent читает графические формации (мультимодальность LLM; Nison, 2001). TrendAgent — направленный bias короткого горизонта. RiskAgent собирает риск–вознаграждение. Итог — взаимодействие агентов и языковые обоснования рядом с исполнением (Schick et al., 2023).

Бенчмарк: сырьё, индексы, крипта, волатильность. На 1ч и 4ч барах лучше бейзлайнов по directional accuracy и return-метрикам, особенно на акциях. Rolling-window: до 80% точности направления. Плюс natural-language rationale — трассируемость, которой нет у классических правил.

Агентные LLM. FINCON (Yu et al., 2024) — иерархия manager–analyst с verbal RL. TradingAgents (Xiao et al., 2025) копирует институциональные воркфлоу через коммуникацию агентов, приоритет интерпретируемости, не низкой латентности (Tumarkin and Whitelaw, 2001). Тяжёлая опора на текст не годится для структурированных HFT-сигналов. RD-Agent(Q) (Li et al., 2025) переходит к data-centric факторам и совместной оптимизации фактор–модель, но остаётся на дневном разрешении и медленном исследовательском цикле.

Индикаторы и паттерны. Нелинейные ценовые паттерны могут иметь предсказательную силу (Lo et al., 2000), но overfitting и researcher bias (Chen and Chen, 2016). Моментум (Jegadeesh and Titman, 1993; Moskowitz et al., 2012); эвристики Elliott (Prechter, 2005) и библиотеки паттернов. Интерпретируемо и дёшево, но ломается в шуме — отсюда связка структурированной цены с LLM.

3. QuantHarness

На LangGraph (LangChain, 2025): имитация деска, специализированные роли. Только ценовые сигналы, без новостей и соцсетей — в духе EMH (Murphy, 1999). Нет латентности и шума текста. Четыре агента общаются структурированными промптами: числа, геометрия, импульс, решение.

Алгоритм 1 (slope-aware тренд по свечам $P_{0:T-1}$, окно $N$, порог $\tau$): для $t=N-1,\ldots,T-1$ OLS по хаям/лоям даёт $m_r,m_s$; $\kappa_t=(m_r+m_s)/2$; если $\kappa_t\gt\tau$ — аптренд, если $\kappa_t\lt-\tau$ — даунтренд, иначе боковик. Рендер чарта $K_t(P_t,\kappa_t,\mathrm{Trend})$.

**Рисунок 2.** RiskAgent: сигналы Trend / Indicator / Pattern в радар; DecisionAgent ставит стоп и тейк.

3.1. IndicatorAgent

Отображение $(O,H,L,C)\mapsto S$ — компактные признаки короткого горизонта (Lo et al., 2000). Пять индикаторов: RSI (перекуп/перепрод, Wilder, 1978); MACD (схождение короткого и длинного тренда, Appel, 2005); RoC (скорость изменения, Murphy, 1999); STOCH (развороты по недавним хаям/лоям); WILLR (откат от пиков, Williams, 2011). Не фиксированные правила, а контекст: сдвиги импульса, зоны, резкие развороты — для DecisionAgent.

3.2. PatternAgent

Числовые индикаторы мутнеют в паузе или смене режима. PatternAgent — визуально-структурное мультимодальное рассуждение. LLM-привязанные инструменты рисуют упрощённые свечи без явной подсветки фигур. Агент сам ловит хаи/лои, симметрию, разворотные формации (Wang et al., 2023), сравнивает с языковой библиотекой паттернов (форма + типичное поведение) и оценивает, делает ли контекст (предшествующий тренд, волатильность) сигнал осмысленным.

**Рисунок 3.** DecisionAgent: сводка апстрима → направление, обоснование, сетап, рефлексия после сделки; исполняемый ордер.

3.3. TrendAgent

Двойное дно или флаг читаются только в контексте тренда (Pring, 1991). Аннотированный K-line $K_t$ с каналом: сопротивление $R_t(x)=m_r x+b_r$ по локальным хаям, поддержка $S_t(x)=m_s x+b_s$ по лоям (Lo et al., 2000). Средний наклон $\kappa_t=(m_r+m_s)/2$ — дрифт, но знак наклона недостаточен из-за шума. Геометрия линий: параллельный рост — сильный тренд; схождение — клин, нерешительность. Согласование с паттернами и импульсом (Kirkpatrick and Dahlquist, 2015).

3.4. RiskAgent и DecisionAgent

RiskAgent не генерирует сигнал, а ставит границы. Фиксированный стоп $\rho=0{,}0005$ (0,05%) под короткую волатильность; тейк $R=r\cdot\rho$, $r\in[1{,}2,\,1{,}8]$ предсказывает LLM. Зона стоп–вход–тейк; внутри — качество сигнала и заранее заданная экспозиция.

DecisionAgent — слой рассуждения и исполнения. HOLD запрещён: LONG или SHORT на следующие три свечи (Kissell, 2013). Структурированный выход: направление, краткое обоснование, риск–вознаграждение. Идёт дальше, только если большинство апстрим-сигналов согласованы и подкреплены (кроссовер индикатора, завершённый пробой, касание границы тренда). Шумные конфликты отсекаются.

4. Эксперименты

Решения автономно, без демонстраций и supervised fine-tuning. Вход: недавние свечи плюс тип актива и интервал.

Бенчмарк. 4ч и 1ч OHLC, крипта / индексы / сырьё. По 5000 исторических баров через публичный TradingView extractor. На актив: 100 сегментов по 100 свечей, последние три скрыты (нет test-time leakage). Детали — приложение E.

Отчёт: направление LONG/SHORT, текстовое обоснование, оценка $r$. В метрики идут направление и $r$.

Бейзлайны. (i) Random: LONG/SHORT равновероятно, $r\in[1{,}2,1{,}8]$. (ii) Линейная регрессия: OLS по 40 закрытиям; наклон $\gt 0$ → LONG, иначе SHORT. (iii) XGBoost на RSI/MACD/SMA (TA-Lib), обучение на сотнях окон по 50 csv, тест на остальных 50; majority vote LONG/SHORT/HOLD, HOLD выкидывается из среднего. (iv) QuantHarness.

Метрики. Прогноз направления против следующих трёх свечей. LONG: каждая свеча с закрытием выше последнего close — попадание (макс. 3); SHORT — закрытие ниже. Точность $\alpha=C/T$ ($C$ верных, $T$ оценённых); скор 0–3, среднее по выборке. Это Mean Directional Accuracy (Pesaran and Timmermann, 2004).

Доходности $R_{cc}$, $R_{\max}$, $R_{\min}$ с риск-ограниченным выходом: выход на первой из трёх свечей, которая бьёт стоп или тейк. $\rho=0{,}0005$; тейк $R=r\rho$. $R_{\max}$ — лучший intra-candle исход (max high для лонга, min low для шорта); $R_{\min}$ — наихудшее движение за те же три бара (Lo, 2001).

**Рисунок 4.** PatternAgent на CL (2024): свинг-пивоты, нисходящее сопротивление по понижающимся хаям, плоская поддержка около 78; нисходящий треугольник. Структура / тренд / симметрия. Пунктир и EMA — визуальные подсказки, классификация только по геометрии баров.

5. Результаты

5.1. Основные

Таблица 1 (Sharpe / Sortino / CumReturn / MaxDD) смешана: на AAPL и VIX «Our» в минусе; на AMZN кумулятив 44,85% против 20,53% у TradingAgent; на NQ 19,76% против минуса у XGBoost и TradingAgent. Линейная регрессия часто выигрывает сырой кумулятив (длинный тренд без стопов того же калибра). Авторы делают ставку не на эту таблицу, а на направленную точность и риск-ограниченные $R_{cc}$.

Актив	Метод	Acc $\alpha$	$\Delta\alpha\%$	$R_{cc}$	$R_{\max}$	$R_{\min}$
BTC	Baseline	$45{,}0$	—	$-0{,}009$	$1{,}220$	$-1{,}245$
	LR	$46{,}0$	$+2{,}2$	$-0{,}066$	$1{,}245$	$-1{,}210$
	XGBoost	$45{,}3$	$+0{,}7$	$-0{,}050$	$1{,}218$	$-1{,}331$
	Our	$50{,}7$	$+12{,}7$	$0{,}089$	$1{,}232$	$-1{,}212$
CL	Baseline	$41{,}0$	—	$-0{,}373$	$0{,}970$	$-1{,}348$
	LR	$54{,}3$	$+32{,}4$	$-0{,}114$	$1{,}178$	$-1{,}141$
	XGBoost	$40{,}0$	$-2{,}4$	$-0{,}056$	$0{,}958$	$-1{,}151$
	Our	$55{,}0$	$+34{,}1$	$-0{,}008$	$1{,}200$	$-1{,}119$
NQ	Baseline	$43{,}7$	—	$-0{,}140$	$0{,}646$	$-0{,}793$
	LR	$48{,}7$	$+11{,}4$	$0{,}147$	$0{,}782$	$-0{,}670$
	XGBoost	$47{,}3$	$+8{,}2$	$-0{,}007$	$0{,}706$	$-0{,}753$
	Our	$55{,}3$	$+26{,}5$	$0{,}216$	$0{,}814$	$-0{,}639$
QQQ	Baseline	$47{,}3$	—	$-0{,}048$	$0{,}930$	$-1{,}017$
	LR	$56{,}0$	$+18{,}4$	$0{,}175$	$1{,}113$	$-0{,}849$
	XGBoost	$52{,}7$	$+11{,}4$	$0{,}210$	$1{,}206$	$-0{,}973$
	Our	$59{,}7$	$+26{,}2$	$0{,}211$	$1{,}052$	$-0{,}881$
SPX	Baseline	$47{,}3$	—	$-0{,}162$	$0{,}719$	$-0{,}862$
	LR	$59{,}7$	$+26{,}2$	$0{,}377$	$0{,}960$	$-0{,}648$
	XGBoost	$60{,}0$	$+26{,}8$	$0{,}050$	$0{,}782$	$-0{,}712$
	Our	$63{,}7$	$+34{,}6$	$0{,}341$	$0{,}965$	$-0{,}641$
VIX	Baseline	$46{,}3$	—	$0{,}059$	$3{,}259$	$-3{,}157$
	LR	$48{,}7$	$+5{,}2$	$-0{,}140$	$3{,}407$	$-3{,}099$
	XGBoost	$53{,}3$	$+15{,}1$	$0{,}161$	$3{,}325$	$-3{,}110$
	Our	$54{,}7$	$+18{,}1$	$0{,}458$	$3{,}872$	$-2{,}851$

Таблица 2 (фрагмент). 4-часовой горизонт. Acc — направленная точность (%); $\Delta\alpha$ относительно random. DJI и ES в оригинале: Our Acc $52{,}3$ и $55{,}0$. Жирное в оригинале — лучшее по столбцу.

Наблюдения авторов: (i) accuracy выше всех восьми рынков, особенно NQ (+26,5% к random); (ii) $R_{cc}$ лучший на 7 из 8 при риск-кэпах; (iii) $R_{\max}$ лучший на 6 из 8; (iv) $R_{\min}$ среди наименее отрицательных. Обобщение по классам активов на 4ч.

**Рисунок 5.** Те же метрики на 1-часовых барах, восемь активов. QuantHarness доминирует на большинстве графиков (SPX, QQQ, BTC — наибольший зазор); $R_{\min}$ на части активов слабее.

5.2. Непрерывный короткий прогноз

Случайный 100-барный кусок SPX, 10 перекрывающихся окон со сдвигом 5 баров (Qin et al., 2017). 80% попаданий (рис. 6).

**Рисунок 6.** SPX (2025): 8/10 верных (зелёный Buy / красный Sell), 2/10 серые ошибки. Продажи на индексах 0 и 3 — торможение у сопротивления и негативный импульс; покупки 1, 4–6, 8, 9 — ранний флип импульса, отскок от поддержки. Ошибки 2 и 7: опора на незавершённый паттерн и преждевременный бычий вызов.

5.3. Кейс рассуждения

Нисходящий треугольник на CL (рис. 4): понижающиеся хаи над плоской поддержкой, медвежий bias пробоя, треугольная сходимость. Дополнительные кейсы — приложение F (UI Indicator/Pattern/Trend, NQ и DJI).

6. Заключение

Разложение торговли на специализированные LLM-агенты на цене даёт точные, прозрачные и риск-осознанные решения. Кросс-валидация агентов усиливает робастность. Структурированное сотрудничество без внешнего сентимента и без supervised fine-tuning — основа для будущих почти реальных, data-efficient систем.

7. Ограничения и дальнейшая работа

Два узких места. Первое: точность падает на ультракоротких свечах (≈ 1–15 мин). Там шум и быстрые смены режима; zero-shot ансамбль плохо отделяет всплеск от торгуемого сигнала; деградация относительно 30 мин – 4 ч.

Второе: архитектура не по-настоящему real-time. Цикл — вызов LLM плюс связанные индикатор/паттерн-тулы; латентность может превысить окно минутной возможности. Направления: упростить оркестрацию тулов, кэш промежуточных признаков, вынести критичную логику на лёгкие модели на edge (Hasbrouck and Saar, 2013).

Замечание по жанру: 1-часовые и 4-часовые бары — не наносекундный HFT стакана; это короткий горизонт алготрейдинга на OHLC. Авторы называют это HFT в смысле «быстрее дневных текстовых агентов».

Литература

Appel, G., Technical Analysis: Power Tools for Active Investors. FT Press, 2005.
Chordia, T. et al., High-frequency trading. Journal of Financial Markets 16, 637–645, 2013.
Fama, E.F., Efficient capital markets. Journal of Finance 25, 383–417, 1970.
Hasbrouck, J. and Saar, G., Low-latency trading. Journal of Financial Markets 16, 646–679, 2013.
Jegadeesh, N. and Titman, S., Returns to buying winners and selling losers. Journal of Finance 48, 65–91, 1993.
Kissell, R., The Science of Algorithmic Trading and Portfolio Management. Academic Press, 2013.
LangChain, LangGraph. 2025. langchain-ai.github.io/langgraph.
Li, Y. et al., R&D-Agent-Quant. 2025.
Lo, A.W., Mamaysky, H. and Wang, J., Foundations of technical analysis. NBER 7613, 2000.
Moskowitz, T.J., Ooi, Y.H. and Pedersen, L.H., Time series momentum. JFE 104, 228–250, 2012.
Murphy, J.J., Technical Analysis of the Financial Markets. Penguin, 1999.
Nison, S., Japanese Candlestick Charting Techniques. 2001.
Pesaran, M.H. and Timmermann, A., How costly is it to ignore breaks when forecasting direction. International Journal of Forecasting 20, 411–425, 2004.
Pring, M.J., Technical Analysis Explained. 1991.
Schick, T. et al., Toolformer. 2023.
Wilder, W., New Concepts in Technical Trading Systems. 1978.
Xiao, Y. et al., TradingAgents. arXiv:2412.20138, 2025.
Yang, H., Liu, X.-Y. and Wang, C.D., FinGPT. 2023.
Yu, Y. et al., FINCON. NeurIPS, 2024.

Оригинал статьи: Xiong et al., «QuantHarness: Price-Driven Multi-Agent LLMs for High-Frequency Trading», arXiv:2509.09995 · лицензия CC BY 4.0 · GitHub