Resumo
- Entre as diversas estruturas de trading baseadas em LLMs, a arquitetura Multi-Agente se aproxima mais do fluxo real de pesquisa e trading de instituições financeiras do que o uso de um único LLM para gerar sinais de compra e venda diretamente.
- TradingAgents é uma estrutura de trading financeiro fundamentada em LLMs Multi-Agente. Sua essência é simular a organização de uma corretora real, decompondo decisões complexas de trading em colaboração entre múltiplos papéis especializados.
- Experimentos do artigo original mostraram que o TradingAgents superou diversas estratégias tradicionais de baseline em backtests no mercado de ações, com melhorias no retorno cumulativo, no índice de Sharpe e no drawdown máximo.
- TradingAgents-BTC obteve retorno total de +20,25% no período de teste, superando de forma significativa o retorno de Buy and Hold de -7,89% no mesmo intervalo. Isso indica que a estrutura possui certo grau de capacidade ativa de timing de mercado sob condições específicas.
- O período de backtest atual cobre apenas cerca de três meses, resultando em uma amostra curta. Além disso, o trading em frequência de 1 hora pode sofrer impacto de taxas de transação, slippage e atrasos de sinal. Trabalhos futuros devem validar a estabilidade da estratégia em horizontes mais longos e em diferentes condições de mercado.
1. Introdução
Nos últimos anos, um número crescente de estudos investigou a aplicação de LLMs a cenários de trading financeiro. Embora a pesquisa ainda não tenha gerado produtos padronizados maduros, a academia já propôs diversas direções, como assistentes de análise financeira baseados em LLM, bots de trading, agentes de trading com mecanismos de memória, modelos de trading com LLM combinados a aprendizado por reforço e estruturas de trading Multi-Agente colaborativas.
Comparado ao uso de um único LLM para gerar sinais de compra e venda diretamente, a arquitetura Multi-Agente se aproxima mais do fluxo de trabalho de pesquisa e trading de instituições financeiras reais. Ela permite decompor as tarefas de trading em múltiplos papéis, como analistas técnicos, analistas de notícias, analistas de sentimento, pesquisadores, traders e gerentes de risco. Agentes distintos processam fontes diferentes de informação e constroem a decisão final por meio de debate, sumarização e revisão de risco. Essa estrutura ajuda a reduzir a carga cognitiva sobre um único modelo e também melhora a transparência e a interpretabilidade do processo decisório.
TradingAgents, proposto por Yijia Xiao e colaboradores, é um trabalho representativo nessa linha. A estrutura simula a organização de uma corretora real e define múltiplos papéis. O sistema começa com a coleta e análise de informações de mercado pelos analistas; em seguida, pesquisadores realizam debates entre visões altista e baixista; depois, os traders geram decisões de trading; e, por fim, a equipe de gerenciamento de risco e o gestor de fundos fazem a revisão de risco e a confirmação da execução. Experimentos do artigo original mostraram que o TradingAgents superou diversas estratégias tradicionais de baseline em backtests no mercado de ações, com melhorias no retorno cumulativo, no índice de Sharpe e no drawdown máximo.
No entanto, os experimentos originais do TradingAgents focaram principalmente o mercado de ações, e sua aplicabilidade ao mercado de criptoativos ainda precisa de validação. Por isso, migrar o TradingAgents para o mercado de BTC possui valor de pesquisa. Este artigo constrói um experimento de backtest de trading de BTC com base no TradingAgents, com o objetivo de explorar a eficácia da estrutura de trading Multi-Agente no mercado cripto.
2. Visão Geral da Arquitetura do TradingAgents
TradingAgents é uma estrutura de trading financeiro baseada em LLMs Multi-Agente. Inspirada na estrutura organizacional de empresas reais, o TradingAgents define quatro categorias de papéis de agente dentro de uma corretora simulada: analistas, pesquisadores, traders, gerenciamento de risco e gestores de fundos. Cada agente recebe um nome, função, objetivo e restrição específicos, além de contexto, habilidades e ferramentas predefinidos que correspondem à sua função.
2.1 Equipe de Analistas
A estrutura original do TradingAgents inclui principalmente quatro tipos de analistas:
- Analista Fundamental: Responsável por analisar as condições financeiras da empresa, lucratividade, níveis de valuation, demonstrações financeiras, relatórios de lucros e informações de insider trading. O objetivo é determinar o valor de investimento de longo prazo de um ativo e identificar se ele está subvalorizado ou supervalorizado.
- Analista de Sentimento: Responsável por analisar mídias sociais, comentários de investidores, discussões públicas e indicadores de sentimento do mercado. O objetivo é identificar mudanças no sentimento do investidor e determinar se esse sentimento pode influenciar os preços dos ativos no curto prazo.
- Analista de Notícias: Responsável por analisar eventos noticiosos, anúncios corporativos, mudanças políticas e eventos macroeconômicos. O objetivo é identificar informações importantes que possam afetar as tendências do mercado e avaliar seu impacto de curto ou médio prazo.
- Analista Técnico: Responsável por analisar preços, volume de negociação e indicadores técnicos como MACD, RSI, Bandas de Bollinger, médias móveis e indicadores de volatilidade. O objetivo é determinar tendências de mercado, força do momento, condições de sobrecompra/sobrevenda e pontos potenciais de trading.
2.2 Equipe de Pesquisa
A equipe de pesquisa no TradingAgents geralmente consiste em dois agentes com visões opostas:
- Pesquisador Altista: Interpreta as informações de mercado de uma perspectiva positiva, enfatizando a lógica altista, o potencial de crescimento, os fatores favoráveis e as razões para comprar.
- Pesquisador Baixista: Interpreta as informações de mercado de uma perspectiva cautelosa ou negativa, enfatizando riscos de queda, pressão de valuation, incerteza do mercado e fatores baixistas potenciais.
Os dois pesquisadores realizam várias rodadas de debate em torno dos relatórios dos analistas. Após o debate, o sistema resume as opiniões de ambos os lados e forma um julgamento de mercado relativamente equilibrado. O significado desse mecanismo está em introduzir pontos de vista antagônicos.
2.3 Trader
O trader integra relatórios estruturados da equipe de analistas, pontos de vista dos pesquisadores e o estado atual do mercado para gerar decisões preliminares de trading (Comprar/Vender/Manter). Ao mesmo tempo, o trader também fornece a lógica do trading, o nível de confiança e os riscos potenciais. Sua saída inclui não apenas sinais de ação, mas também explicações em linguagem natural. Isso torna o TradingAgents mais fácil de revisar e depurar em comparação com modelos tradicionais de caixa-preta.
2.4 Equipe de Gerenciamento de Risco
A equipe de gerenciamento de risco geralmente contém três tipos de agentes com diferentes preferências de risco:
- Gerente de Risco Agressivo: Foca em oportunidades de alto retorno e tende a aceitar riscos mais altos em condições favoráveis.
- Gerente de Risco Neutro: Mantém o equilíbrio entre retorno e risco, focando em se a estratégia tem uma relação risco-retorno razoável.
- Gerente de Risco Conservador: Prioriza o controle de drawdowns e riscos extremos, tendendo a reduzir posições ou evitar trades de alta incerteza.
A equipe de gerenciamento de risco discute se a decisão do trader é razoável, incluindo se as posições atuais são muito grandes, se a volatilidade do mercado está excessivamente alta, se há riscos de eventos e se o tamanho do trading deve ser reduzido. Após a revisão de risco, o sistema pode manter a recomendação original ou ajustar posições e ações de trading.
2.5 Gestor de Fundos e Decisão Final
O gestor de fundos atua como o papel de confirmação final da decisão no TradingAgents. Ele revisa as discussões da equipe de gerenciamento de risco e decide se aprova a recomendação do trader. Seu papel é análogo ao do aprovador final em instituições de trading reais, responsável por fazer a compensação final entre oportunidades de lucro e controle de risco.
3. Estrutura de Trading Cripto Baseada no TradingAgents
O mercado cripto também é influenciado por múltiplas fontes de informação, incluindo tendências de preço, volume de negociação, notícias, políticas macro, fluxos de fundos on-chain e sentimento do mercado. Portanto, mantendo o fluxo de trabalho central do TradingAgents, este artigo modifica os papéis de analistas para analistas técnicos, analistas de notícias, analistas de sentimento e analistas macro/on-chain, mais adequados ao mercado cripto, e avalia o desempenho da estrutura em backtests de BTC.
3.1 Estrutura Geral
A estrutura primeiro insere dados do mercado cripto. A equipe de analistas então realiza análises das perspectivas técnica, de notícias, de sentimento e macro/on-chain. Em seguida, a equipe de pesquisa realiza discussões altistas e baixistas com base nos resultados da análise. O trader sintetiza todos os pontos de vista para gerar sinais de Comprar, Vender ou Manter. Depois, a equipe de gerenciamento de risco revisa a recomendação de trading das perspectivas agressiva, neutra e conservadora. Por fim, a decisão de trading é inserida no sistema de backtest para avaliar o desempenho da estratégia.
3.2 Design de Papéis dos Agentes
- Analista Técnico: Analisa as tendências de preço do token, volume de negociação e indicadores técnicos, incluindo MA, EMA, MACD, RSI, Bandas de Bollinger, ATR e ADX. As saídas incluem julgamento de tendência, força do momento, nível de volatilidade, condições de sobrecompra/sobrevenda e níveis-chave de suporte/resistência.
- Analista de Notícias: Analisa eventos noticiosos relacionados ao token, como fluxos de fundos de ETF, políticas regulatórias, incidentes de exchanges, mudanças em participações institucionais, dados macroeconômicos e riscos geopolíticos. As saídas incluem resumos de notícias, julgamentos altistas/baixistas e duração potencial do impacto.
- Analista de Sentimento: Analisa o sentimento do mercado, incluindo discussões em mídias sociais, sentimento de notícias, Índice de Medo e Ganância e popularidade da comunidade. O foco é determinar se o mercado está em estado de FOMO, pânico, superaquecido ou neutro.
- Analista Macro + On-Chain: Foca em endereços ativos, entradas/saídas líquidas de exchanges, comportamento de holders de longo prazo, saldos de mineradores, oferta de stablecoins, dominância do BTC, Índice do Dólar Americano e rendimentos dos títulos do Tesouro dos EUA. O objetivo é capturar mudanças nos fluxos de capital do token e na liquidez macro.
Pesquisadores: O pesquisador altista constrói lógica altista com base em todos os relatórios dos analistas, enfatizando fatores favoráveis e oportunidades potenciais de rompimento. O pesquisador baixista constrói lógica baixista, enfatizando riscos de drawdown, superaquecimento do mercado, pressão macro ou pressão de venda on-chain. Os dois formam um julgamento de mercado mais equilibrado por meio de debate. O trader integra os relatórios dos analistas e os resultados do debate dos pesquisadores para gerar os sinais finais de trading, incluindo Comprar, Vender ou Manter, juntamente com o nível de confiança, sugestões de posição e lógica de trading.
Equipe de Gerenciamento de Risco: Revisa as decisões do trader. A perspectiva agressiva foca em oportunidades de lucro, a perspectiva neutra equilibra retorno e risco, e a perspectiva conservadora prioriza o controle de drawdown. As decisões finais são ajustadas pela equipe de risco antes da execução do backtest.
4. Dados e Design Experimental
Modelo Base: ChatGPT 5.5
Objeto de Pesquisa: BTC/USDT
Período de Backtest: 1 de fevereiro de 2026 a 1 de maio de 2026, consistente com a configuração de backtest de três meses do artigo original do TradingAgents.
Frequência de Dados: Dados de 1 hora
Fonte de Dados: Os dados experimentais foram obtidos por meio do Gate MCP, incluindo dados de preço BTC/USDT, dados de indicadores técnicos, dados de notícias, dados de mídias sociais ou sentimento, Índice de Medo e Ganância, entradas e saídas de ETF, dados de folha de pagamento não agrícola, rendimentos dos títulos do Tesouro dos EUA, IPC e decisões de taxa de juros. Para evitar viés de look-ahead, apenas dados publicamente disponíveis antes de cada dia de negociação foram utilizados.
Regras de Trading: O sistema gera uma decisão de trading por dia. As regras básicas de trading são as seguintes:
- Tipo de Negociação: Ordens de mercado, com três ações possíveis: Comprar/Vender/Manter
- Posicionamento: Nenhuma alavancagem é utilizada; as posições são 0% ou 100%
- Taxa de Transação: 0,1%
- Slippage: 0,05%–0,1%
- Estratégia de Linha de Base: Buy and Hold, mantendo BTC durante todo o período.
5. Resultados do Backtest
5.1 Desempenho de Retorno
A partir dos resultados do backtest, a estratégia alcançou retorno total de +20,25%, enquanto o retorno de Buy and Hold no mesmo período foi de -7,89%, gerando alpha de +28,14% em relação ao Buy & Hold. Isso indica que, durante o período de teste, a estratégia não apenas evitou as perdas sofridas pela simples manutenção de BTC em mercados de queda e laterais, mas também capturou parte dos lucros de recuperação alternando entre posições altistas e baixistas.
Pela curva de patrimônio, o Buy & Hold permaneceu em território de retorno negativo durante a maior parte do período, especialmente sofrendo drawdowns significativos do final de fevereiro ao início de abril. Em contraste, a estratégia TradingAgents ampliou de forma significativa a diferença de desempenho após o início de março e continuou expandindo os retornos durante a fase de recuperação do BTC no final de abril. Isso sugere que, em mercados laterais e de queda, a estratégia não assumiu riscos passivamente, mas reduziu parte das perdas por meio de estados de Venda/Subponderado e Plano, enquanto reentrou em posições compradas durante as recuperações.
Pela distribuição de posições, a estratégia não ficou permanentemente comprada, mas alternou frequentemente entre estados de Comprado, Plano e Venda/Subponderado. Durante o período de backtest, houve 43 dias de Compra/Sobreponderado, 31 dias de Venda/Subponderado e 15 dias de Manter/Plano. Isso indica que o TradingAgents-BTC se comporta mais como uma estratégia ativa de timing do que como uma estratégia de manutenção seguidora de tendência. A Taxa de Vitória Diária foi de 52,70%, o que não é particularmente alto, mas o Fator de Lucro atingiu 1,35, indicando que os lucros totais das negociações vencedoras foram suficientes para cobrir as perdas totais das negociações perdedoras. A vantagem da estratégia vem principalmente de sua estrutura de lucro-perda, e não de uma taxa de vitória extremamente alta.
5.2 Desempenho de Risco
Em termos de controle de risco, o drawdown máximo da estratégia foi de -17,41%, inferior ao do Buy & Hold de -27,06%, indicando que os mecanismos de julgamento de trading e gerenciamento de risco na estrutura multiagente proporcionaram certo efeito defensivo neste período. O Índice Calmar da estratégia foi de 6,492, mostrando desempenho relativamente forte e indicando eficiência de retorno por unidade de drawdown significativamente melhor em comparação com a simples manutenção. O Índice de Sharpe Anualizado foi de 1,738 e o Índice Sortino foi de 2,070, indicando que a estratégia possuía vantagens em retornos ajustados ao risco, especialmente no controle da volatilidade negativa.
6. Conclusão
Com base na estrutura de trading financeiro TradingAgents com LLMs Multi-Agente, este artigo explora sua aplicação ao mercado cripto de BTC. Ao modificar o fluxo de trabalho original de trading de ações para uma estrutura mais adequada ao mercado cripto, o sistema introduz papéis como análise técnica, análise de notícias, análise de sentimento e análise macro/on-chain. Por meio do debate entre pesquisadores altistas/baixistas, da tomada de decisão do trader e da revisão do gerenciamento de risco, a estrutura gera sinais finais de trading. Esse design demonstra as vantagens da arquitetura Multi-Agente na integração de informações de múltiplas fontes, pontos de vista antagônicos e controle de risco, ao mesmo tempo que fornece uma estrutura de pesquisa interpretável para aplicar sistemas de trading com LLM ao mercado cripto.
Os resultados do backtest mostram que o TradingAgents-BTC alcançou melhor desempenho de retorno e risco do que o Buy & Hold durante o período de teste, indicando que a estrutura Multi-Agente LLM tem certo potencial de aplicação em cenários de trading de BTC. No entanto, esses resultados devem ser interpretados com cautela: o período de backtest cobriu apenas cerca de três meses, resultando em uma amostra curta, e o trading de 1 hora pode ser afetado por taxas de transação, slippage e atrasos de sinal. Trabalhos futuros devem validar ainda mais a estabilidade da estratégia em períodos mais longos e em diferentes condições de mercado, além de avaliar a contribuição específica dos dados on-chain, variáveis macro e módulos de gerenciamento de risco para o desempenho geral da estratégia.
Referências:
A Gate Research é uma plataforma abrangente de pesquisa sobre blockchain e criptomoedas, oferecendo conteúdo aprofundado para os leitores, incluindo análise técnica, informações de mercado, pesquisa do setor, previsão de tendências e análise de políticas macroeconômicas.
Isenção de responsabilidade
Investir em mercados de criptomoedas envolve alto risco. Recomenda-se que os usuários realizem sua própria pesquisa e compreendam totalmente a natureza dos ativos e produtos antes de tomar qualquer decisão de investimento. A Gate não se responsabiliza por quaisquer perdas ou danos decorrentes de tais decisões.
