[AI]《Toward Expert Investment Teams:A Multi-Agent LLM System with Fine-Grained Trading Tasks》K Miyazaki, T Kawahara, S Roberts, S Zohren [Japan Digital Design, Inc & University of Oxford] (2026)

在股票量化交易领域，如何让大语言模型真正执行一套完整的投资分析流程，而非仅仅扮演"角色"，始终悬而未决。现有多智能体系统普遍采用粗粒度指令——告诉代理"分析财务报表"却不说怎么分析——导致模型在复杂推理中途放弃，且中间决策过程不可见，难以实际部署。

本文的核心洞见是：把投资分析的"职责边界"重新看作"任务操作清单"。由此，将技术指标预计算（RoC、RSI、MACD等）、财务比率归一化分层、新闻事件识别等显式分解步骤嵌入提示词这一关键操作，使模型能够沿真实分析师工作流逐级传导信号——而非空转于宽泛描述。

这项工作真正留下的遗产是：证明了提示词中的特征工程质量，比模型本身的推理能力对交易系统表现影响更大。它为后来者打开的新门是：将领域专家知识结构化为可复用的任务协议，从而让组织级智能体框架成为可能。但尚未跨过的门槛是：性能增益究竟源于任务分解本身，还是特定词汇更易被模型偏好所激活——这一语言偏差问题仍待厘清。

arxiv.org/abs/2602.23330

#机器学习# #人工智能# #论文# #AI创造营#