论文链接：https://arxiv.org/pdf/2510.17393

“大语言模型（LLMs）凭借多模态金融数据处理能力在股票交易领域逐渐兴起，但现有方法多聚焦单股票交易，缺乏多股票组合构建的推理能力，且策略调整灵活性不足，难以适应真实市场波动。为此，本文提出3S-Trader，一个无需训练的多LLM框架，通过评分（Scoring）、策略（Strategy）与选择（Selection）模块实现投资组合构建。评分模块将每只股票的近期信号总结为多维度评分报告，支持候选股票高效对比；策略模块分析历史策略与市场条件，迭代生成优化选择策略；选择模块基于策略筛选高评分股票并构建组合。实验在道琼斯工业平均指数（DJIA）成分股及三个行业板块数据集上验证，结果显示3S-Trader在DJIA成分股上实现131.83%的累计收益（夏普比率0.31，卡玛比率11.84），且在各板块表现稳健。”

01

—

背景

投资组合通过多资产配置分散风险，但其构建需综合分析价格趋势、公司基本面、宏观经济信号等多源异构数据。传统量化方法（如ARIMA、LSTM、Transformer）虽擅长时序预测，但忽视组合层面的风险控制与跨资产对比；LLMs虽在单股票交易（如价格预测、趋势分类）中表现突出，却难以支持多股票组合选择（如未考虑波动性），且传统强化学习（RL）因高训练成本、依赖奖励函数设计及市场高波动性，难以学习鲁棒策略。因此，需一种无需训练、可自适应调整的多LLM框架，直接基于市场信号构建组合并迭代优化策略。

02

—

问题定义

本文聚焦周度股票投资组合构建问题：给定候选股票集合X = {x_1, x_2, ..., x_n} ，需构建权重向量w_t = [w_t^{1}, w_t^{2}, ..., w_t^{n}]，使得组合周收益R_t = w_t x r_t最大化（r_t = [r_t^{1}, r_t^{2}, ..., r_t^{n}]）为周收益向量。核心挑战是：如何高效整合多源数据（新闻、基本面、技术指标），支持多股票对比；如何动态调整策略以适应市场变化。

03

—

方法

3S-Trader框架包含数据解析、股票评分、股票选择、策略迭代四阶段，由6个LLM代理（新闻代理、基本面代理、技术代理、评分代理、选择代理、策略代理）协作完成，基于GPT-4o实现。

3.1 市场分析（Data Analysis）

通过三个专用代理解析多源数据，生成股票的综合分析报告：

新闻代理：基于前一周新闻文本

总结新闻情绪与影响，输出alpha_{i,t}^{news}。

技术代理：基于前四周价格与技术指标（SMA、ATR、RSI等）文本

分析价格趋势，输出alpha_{i,t}^{tech}。

基本面代理：基于前四季财报文本

总结财务健康度，输出alpha_{i,t}^{fund}。

综合三者得到股票x_i的数据概览

3.2 股票评分：评分代理

基于o_{i,t}，从6个维度（1-10分）评估股票：

财务健康度：公司短期财务稳定性（基本面）。

增长潜力：长期盈利扩张能力（投资计划、行业前景）。

新闻情绪：近期新闻情感极性（正向/负向）。

新闻影响：新闻影响广度与持续性（政策、行业事件）。

价格动量：近期价格趋势强度（上涨/下跌）。

波动性风险：近期价格波动水平（高波动=高风险）。

评分过程形式化为

输出含评分及简短理由。

3.3 股票选择：选择代理

结合评分报告s_{i,t}与策略pi_t（如“侧重财务健康、降低高波动股票”），选择至多5只股票并分配权重（总权重≤1），形式化为

3.4 策略迭代：策略代理

基于历史策略轨迹

、当前策略pi_t、组合权重w_t、周收益r_t及评分报告s_t，分析高/低收益股票的共同特征，迭代优化策略

04

—

实验

4.1 实验设置

4.1.1 数据集

DJIA成分股：30只美国大盘股（跨行业基准）。

科技板块：纳斯达克100科技指数44只成分股。

金融板块：标普金融精选板块ETF前49只权重股。

医疗板块：标普医疗精选板块ETF前46只权重股。

数据来自Alpha Vantage，时间范围2022.05.16-2024.05.27（训练集2012.05.01-2022.05.15）。

4.1.2 基线模型

基准：等权重策略（1/N）。

规则：SMA、MACD、BOLL（基于技术指标筛选前5股，等权分配）。

深度学习：LSTM、Informer、Autoformer（预测周收益，选前5股等权）。

多LLM基线：单步框架（TradingAgent，直接生成组合）、反思框架（CryptoTrade，结合历史回报优化）。

4.1.3 评估指标

累计收益（AR）、夏普比率（SR）、卡玛比率（CR）。

4.2 实验结果与分析

整体表现：3S-Trader在所有板块中均位列前二，尤其在DJIA成分股上表现最优（AR=131.83%，SR=0.31，CR=11.84），且趋势持续向上。

对比规则基模型：3S-Trader显著优于SMA、MACD、BOLL（如DJIA中AR分别为131.83% vs 70.63%/46.00%/20.09%），因LLM灵活整合多源信号，而规则基依赖静态指标，难适应动态市场。

对比深度学习模型：深度学习模型（如LSTM）在科技板块AR达193.39%，但风险控制弱（SR=0.21，CR=5.81）；3S-Trader在科技板块AR=183.29%，但SR=0.27，CR=11.81，风险调整收益更优，因LLM通过多维度评分与策略推理平衡收益与风险。

4.3 反思框架在波动市场的表现

在医疗板块，反思框架（SR=0.18，CR=6.51）优于单步框架（SR=0.12，CR=3.11），但金融板块因过度调整策略表现不佳；3S-Trader通过多维评分提供明确策略优化方向，在金融板块AR=84.93%（SR=0.21，CR=7.57），稳定性更优。