F²Agent：面向多模态交易的多智能体金融融合框架

arXiv 论文提出 F²Agent，一个面向多模态交易的多智能体框架。它先用分层专用智能体提取各模态信号，再引入模态感知自适应融合机制和抗噪声一致性正则化，动态捕捉模态间依赖并生成抗噪交易信号。在六种股票和加密货币资产上的实验显示，F²Agent 在多项交易指标上优于16个基线，平均年化收益相对提升超20%，其中对 GOOG 和 TSLA 的收益分别达120.48%和148.41%。

现有基于大语言模型的智能体虽能处理多模态输入，但在捕获跨模态依赖和抵抗市场噪声方面存在不足。F²Agent 通过分层智能体与自适应融合机制，实现了更精细的跨模态建模，并在多资产上显著提升交易收益，表明多智能体架构在金融交易中具有实际潜力。

F²Agent 首先部署一组分层专用智能体，分别提取文本、数值、图像等模态特有的信号；然后通过模态感知的自适应融合机制动态计算各模态的重要性，并利用抗噪声一致性正则化降低市场噪声干扰，最终生成稳定的交易信号。这种机制旨在应对金融数据异构性和噪声问题，提升信号质量。

对量化交易或金融资讯类产品，该框架可集成到交易决策模块中，提升信号生成的准确性和鲁棒性。研发团队需评估其多模态处理与融合机制的工程实现成本，以及在不同市场中的适配性。

• 将 F²Agent 的多模态融合机制引入现有量化交易系统，提升对新闻、图表等异构数据的利用效率。
• 基于其分层智能体架构，开发针对特定资产类别（如股票或加密货币）的定制化信号生成服务。
• 利用其抗噪特性，为金融数据服务提供更稳健的市场情绪分析工具，减少噪声干扰。

• F²Agent 在更多资产类别或更长回测周期上的表现是否依然稳定？
• 其计算资源消耗和推理延迟是否满足实时交易场景的需求？
• 论文中 120.48% 和 148.41% 的收益是否包含交易成本和滑点？