交易大厅中的传染：对抗信号如何在多智能体交易系统中扩散

一篇 arXiv 论文研究基于 LLM 的多智能体交易系统对对抗输入的脆弱性。作者提出 GMATS 框架，模拟现代多智能体交易架构，并构造仅通过合规社交媒体信息流进入的黑盒投毒攻击，把 LLM 当作内容生成器注入受预算约束、看似无害的社媒内容。实验在离线安全基准上用历史市场与社交数据测试，发现即便简单的仅输入攻击也会明显恶化风险收益特征、显著压低 Sharpe 比率；而设计合适的多智能体拓扑与协调者提示词可削弱冲击、提升平均稳健性。

此前关于 LLM 交易系统的讨论多聚焦收益与架构能力，对其在对抗性输入下的稳健性了解有限。该研究把攻击面限定在合规社交媒体信息流这一现实渠道，并给出量化传染指标，说明风险不来自模型被直接篡改，而来自信息在分析师与协调者层间的扩散，这改变了评估多智能体交易系统的方式。

机制上，攻击者不接触模型权重或接口，只向分析师的证据流注入预算受限、语义上看似正常的社媒内容。LLM 将其当作可信信号纳入推理，产生信念偏移，再经由多智能体协作结构放大或传递给协调者，最终反映在回测指标上。传染强度取决于拓扑与协调者提示词，说明信息聚合方式本身就是风险传导路径。

对构建 LLM 交易或投研产品的团队，这意味着需要在数据接入层对社交媒体等外部信源做污染检测与来源约束，并在协调者层设计抗噪提示与交叉验证。回测与上线评估应加入对抗鲁棒性指标，而非只看 Sharpe 等收益指标；同时拓扑设计会成为可调的安全参数，影响研发与合规流程。

• 在交易或投研 agent 产品的数据接入层加入社媒信源污染打分与预算式注入检测模块
• 为多智能体协调者提供抗噪提示词模板与信念偏移监控面板，作为可交付配置
• 在回测平台中增加对抗鲁棒性测试套件，输出 attack-clean delta 与 Sharpe 变化指标
• 面向量化团队提供多智能体拓扑安全评估服务，比较不同拓扑在相同投毒预算下的稳健性

• 该论文仅在离线安全基准上验证，真实市场中攻击效果是否一致尚未确认
• 不同 LLM 与不同多智能体拓扑下的传染强度差异尚未有充分对比证据
• 协调者提示词的抗噪收益是否存在成本或延迟代价，证据未说明
• 攻击者预算约束的具体量级与对应防御成本未被披露