Kurze Zusammenfassung
Das Video stellt das Trading Agents Framework vor, eine Open-Source-Lösung für den Aufbau von KI-gestützten Finanzsystemen, die den traditionellen Ansatz von einzelnen LLM-basierten Trading-Bots überwindet. Das Framework simuliert ein autonomes Trading-Unternehmen mit spezialisierten Teams für Analyse, Recherche, Trading und Risikomanagement. Es nutzt eine strukturierte Pipeline und parallele Agenten, um die Genauigkeit zu verbessern und Halluzinationen zu vermeiden. Das Video demonstriert die Installation und Konfiguration des Frameworks und hebt seine potenziellen Vorteile sowie Einschränkungen hervor, wie z.B. hohe API-Kosten und die Notwendigkeit längerer Backtests.
- Das Trading Agents Framework überwindet die Einschränkungen von Single-Agent-Trading-Bots durch eine Multi-Agenten-Architektur.
- Version 0.2.4 integriert Langraph für Checkpointing und unterstützt lokale Modelle, wodurch Kosten gesenkt werden.
- Die Installation und Konfiguration des Frameworks wird Schritt für Schritt demonstriert.
Einführung in das Trading Agents Framework
Das Video beginnt mit der Feststellung, dass viele Versuche, KI-Trading-Bots zu entwickeln, zu finanziellen Verlusten führen. Dies liegt oft daran, dass einzelne Large Language Models (LLMs) mit Finanzdaten und Nachrichtenartikeln gefüttert werden, was zu ungenauen Vorhersagen und riskanten Trades führt. Im Gegensatz dazu verwenden quantitative Firmen an der Wall Street strukturierte Teams mit Analysten, Forschern, Tradern und Risikomanagern. Das Trading Agents Framework, eine Open-Source-Lösung von UCLA, MIT und TOIC Research, zielt darauf ab, diesen Ansatz zu replizieren, indem es ein autonomes Trading-Unternehmen auf dem lokalen Rechner simuliert. In einem Benchmark erzielte das Framework eine kumulative Rendite von 26,6 % mit einer hohen Sharpe Ratio, während traditionelle Strategien Verluste verzeichneten.
Die Schwächen von Single-Agent-Trading-Bots
Das Hauptproblem von Single-Agent-Trading-Bots ist der "Telephone-Effekt". In einem kontinuierlichen Chat-Thread vergessen oder verfälschen die KI-Modelle die ursprünglichen Daten und verlieren den logischen Faden. Das Trading Agents Framework löst dieses Problem, indem es eine strukturierte Pipeline mit spezialisierten Rollen implementiert. Die Architektur besteht aus vier Schichten: Analysten-Team, Forscher-Team, Trader-Agent und Risikomanagement-Team.
Die vier Schichten des Trading Agents Framework
Die erste Schicht, das Analysten-Team, besteht aus vier parallelen Sub-Agenten: einem fundamentalen Analysten, einem technischen Analysten, einem Nachrichtenanalysten und einem Sentiment-Analysten. Diese Agenten arbeiten parallel, um SEC-Einreichungen zu analysieren, technische Indikatoren zu berechnen, globale Nachrichten zu sammeln und Social-Media-Daten zu verarbeiten. Die zweite Schicht, das Forscher-Team, besteht aus einem Bullen- und einem Bären-Forscher, die die Analystenberichte lesen und Argumente für bzw. gegen den Kauf finden. Ein Facilitator-Agent überwacht eine Debatte zwischen den beiden Forschern und wählt den Gewinner aus. Die dritte Schicht ist der Trader-Agent, der das gewonnene Argument und die technischen Indikatoren verwendet, um die Positionsgröße zu bestimmen. Die vierte Schicht ist das Risikomanagement-Team, das aus drei Agenten besteht: einem aggressiven, einem neutralen und einem konservativen Agenten. Diese Agenten debattieren über den vorgeschlagenen Trade und passen das Risikoprofil an, bevor sie es dem Portfoliomanager zur Ausführung übergeben.
Updates in Version 0.2.4
Die Version 0.2.4 des Trading Agents Framework integriert Langraph für Checkpointing, was bedeutet, dass das System bei Verbindungsabbrüchen die Analyse fortsetzen kann, anstatt von vorne zu beginnen. Außerdem wurden unübersichtliche Textprotokolle durch strukturierte Pydantic-Ausgaben ersetzt, die saubere, parsierbare JSON-Daten garantieren. Wichtig ist auch die native Unterstützung für DeepSeek-, Quen- und lokale Olama-Modelle, wodurch die Abhängigkeit von teuren OpenAI-Credits reduziert wird.
Installation und Konfiguration des Trading Agents Framework
Das Video führt Schritt für Schritt durch die Installation und Konfiguration des Trading Agents Framework. Zuerst wird der Code von GitHub geklont und eine isolierte Python-Sandbox erstellt. Anschließend werden die erforderlichen Pakete installiert und die Umgebungsvariablen in der .env-Datei konfiguriert, einschließlich der API-Schlüssel für Open Router und Finnhub.
Ausführen des Trading Agents Framework
Nach der Konfiguration wird das Trading Agents Framework mit dem Befehl python -m trading_agents.main gestartet. Der Benutzer wird aufgefordert, ein Ticker-Symbol, ein Analysedatum und eine Ausgabesprache einzugeben. Anschließend werden die Analysten-Teammitglieder ausgewählt, die Forschungstiefe festgelegt und der LLM-Anbieter ausgewählt. Das System beginnt dann mit der Datenerfassung und -analyse, wobei der Fortschritt in einem Live-Dashboard angezeigt wird.
Einschränkungen des Trading Agents Framework
Das Video weist auf die Einschränkungen des Trading Agents Framework hin. Erstens sind die API-Kosten hoch, da für eine einzige Trading-Entscheidung etwa 11 Deep-LLM-Aufrufe und über 20 Tool-Aufrufe erforderlich sind. Zweitens basiert der Benchmark des Papers nur auf 3 Monaten, was das Risiko von Overfitting birgt. Drittens ist die Datenpipeline fragil, da Nachrichten-APIs oft doppelte Artikel oder verzögerte Zeitstempel liefern.
