TradingAgents: Kerangka AI Multi-Agen yang Memodelkan Hedge Fund
Sebagian besar proyek trading AI hanyalah satu LLM yang diberi data dan diminta untuk "mengambil keputusan." TradingAgents (GitHub, arXiv: 2412.20138) mengambil jalur yang berbeda: alih-alih satu agen — seluruh staf perusahaan trading, di mana setiap peran adalah agen LLM tersendiri dengan alat, sumber data, dan prompt miliknya sendiri.
Dibangun di atas LangGraph, kerangka ini menciptakan sistem yang tidak hanya "melihat data" — tetapi berdebat dengan dirinya sendiri sebelum mengambil keputusan.
Arsitektur: Dari Data ke Keputusan
Pipeline lengkap adalah directed acyclic graph (DAG) dari 12 node:
Tim Analis → Debat Riset → Trader → Debat Risiko → Manajer Portofolio → BUY/HOLD/SELL
Tim Analis: Empat Spesialisasi
| Agen | Sumber Data | Fokus |
|---|---|---|
| Analis Fundamental | Neraca keuangan, arus kas, laporan laba rugi | Nilai intrinsik vs harga pasar |
| Analis Sentimen | Yahoo Finance News, StockTwits, Reddit | Agregasi sentimen multi-sumber |
| Analis Berita | Berita ticker, headline makro, transaksi insider | Sinyal berbasis peristiwa |
| Analis Teknikal | OHLCV, MACD, RSI, Bollinger Bands | Deteksi pola dan momentum |
Debat Riset: Bull vs Bear
Setelah analis menghasilkan laporan, debat adversarial dimulai:
- Peneliti Bull membangun tesis bullish
- Peneliti Bear membangun tesis tandingan bearish
- Debat multi-ronde (dapat dikonfigurasi melalui
max_debate_rounds) - Manajer Riset (LLM berpikir mendalam) mensintesis kedua posisi
Manajemen Risiko: Filter Triple
Proposal trader melewati tiga manajer risiko yang saling berdebat:
| Agen | Profil |
|---|---|
| Analis Agresif | Toleransi risiko tinggi, fokus pada potensi kenaikan |
| Analis Netral | Risiko/imbalan yang seimbang |
| Analis Konservatif | Toleransi risiko rendah, perlindungan dari penurunan |
Manajer Portofolio: Keputusan Akhir
Menerima proposal trader + hasil debat risiko + memori reflektif dari keputusan masa lalu. Menyetujui, menolak, atau menyesuaikan trade.
Memori Reflektif
Sistem mempertahankan log keputusan. Pada setiap proses berikutnya untuk ticker yang sama, sistem mengambil return yang terealisasi (mentah + alpha vs SPY), menghasilkan refleksi, dan menyuntikkan riwayat ke dalam prompt Manajer Portofolio — menciptakan pembelajaran dari kesalahan tanpa fine-tuning.
Tumpukan Teknologi
| Komponen | Teknologi |
|---|---|
| Orkestrasi | LangGraph (StateGraph, checkpoints) |
| Penyedia LLM | OpenAI, Google, Anthropic, xAI, DeepSeek, Qwen, Ollama, Azure |
| Data Pasar | yFinance, Alpha Vantage |
| Data Sosial | StockTwits API, Reddit API |
Tautan
Penulis
Trading-systems engineer
Trading-systems engineer building bots since 2017: cross-exchange arbitrage (connected up to 30 venues), cointegration-based pairs arbitrage across spot and futures, scalping, news and sentiment-driven strategies, trend algorithms, and portfolio management and balancing algorithms. Also builds sub-millisecond order execution, big-data warehouses, backtesting engines, AI agents, and trading interfaces (incl. open-source profitmaker.cc). Stack: JS/TS, Python, Rust/Zig/Go, DevOps, backend, frontend, architecture.
Baca Selengkapnya
AI Hedge Fund: Dana Multi-Agen di Mana Analis AI Memilih Perdagangan
Di Balik Algoritma Kami: HRP + Long/Short + CVaR dengan Hull-White
