面向金融决策的 Agent 情景记忆检索机制

arXiv:2609.28771v1 公告类型：new 摘要：大语言模型（LLM）在金融分析与推理方面已展现出强大能力，推动了近期基于 Agent 的交易框架的进展。尽管这些系统前景可期，但以往的方法要么侧重长周期预测，要么以无状态分析器的形式运行，难以满足复杂环境下的交易需求。为弥补这些缺口，我们提出 META（Memory Enhanced Trading Agent）——首个面向金融决策、具备类 RAG 情景记忆增强的多 Agent 框架。META 将一系列专用指标 Agent（如 Trend、MACD、Stochastic、RSI、SMA、AVWAP、Heikin-Ashi）与负责融合各 Agent 报告的 Decision Agent 相结合，并配备 Memory 模块，用于检索和更新以市场状态嵌入（含结果与反思）编码的历史交易情景。通过回忆相关经验、在相似市场状态下自适应地重新加权信号，META 在短周期评估下实现了更高的方向准确率与更强的稳健性。我们的结果表明，情景记忆为交易与决策提供了一种强大的机制，可实现状态感知、可解释且低延迟的决策。本项目代码已在 GitHub 上发布。