基于多智能体协作与多模态大数据驱动方法的汇率预测新范式

《Big Data Mining and Analytics》：A Novel Exchange Rate Forecasting Paradigm Based on Multi-Agent Collaboration and Multimodal Big Data-Driven Methods

　　

现有汇率预测方法在准确性、系统性和效率方面存在显著不足。传统汇率预测方法受限于数据获取孤岛化、数据处理繁琐、特征工程主观及模型预测效率低等问题。为解决上述局限，研究人员提出了一种基于多模态大数据(Multimodal Big Data)的汇率预测范式。该范式通过引入灵活的算法机制和动态特征选择(Dynamic Feature Selection)策略，有效解决了传统预测方法中特征选择非标准化的问题。在此基础上，研究人员提出了FX-Agents框架，其通过大语言模型(LLM)驱动智能体(Agent)协作实现高效的数据采集与处理。其灵活的多智能体模块设计确保了高效且稳定的预测性能。实验结果表明，FX-Agents在预测精度和处理效率上均优于传统方法。研究源代码公开于https://github.com/Kon-Kwok/FX-Agent。

论文解读：基于多智能体协作与多模态大数据驱动方法的汇率预测新范式

该研究成果发表于《Big Data Mining and Analytics》。

一、研究背景与意义

人民币( CNY )汇率波动日益加剧给准确且稳健的预测带来挑战。当前汇率预测方法面临四大局限：一是传统模型如广义自回归条件异方差(GARCH)、自回归积分移动平均(ARIMA)等依赖单一或有限数据源，难以融合多样化相关信息；二是数据处理流程多为人工操作，缺乏标准化与自动化；三是特征选择依赖专家经验，存在主观偏差且泛化性差；四是预测阶段模型选择与超参数调优需大量专家干预，缺乏自动优化机制。尽管深度学习(CNN、LSTM、Transformer)及大语言模型(LLM)在金融预测中有所应用，但多局限于单点改进，缺乏端到端自动化流程及针对汇率预测的多模态数据整合与证据驱动的特征筛选机制。为此，研究人员开展了基于多智能体协作与多模态大数据驱动的汇率预测范式研究，构建了FX-Agents框架，旨在实现从数据采集、处理、特征选择到预测的全自动化流水线，提升预测准确性与效率。

二、主要关键技术方法

研究人员以USD/CNY汇率为预测目标，样本期为2017年1月1日至2024年12月31日。采用Wind数据库API获取时序宏观数据，通过模型上下文协议(Model Context Protocol, MCP)调用Firecrawl服务抓取中美官方政策与新闻文本。基于LangGraph平台构建四智能体FX-Agents框架：感知智能体(Perception Agent, PA1)负责双轨数据采集；规划智能体(Planning Agent, PA2)执行结构化清洗与非结构化文本情感量化；决策智能体(Decision Agent, DA)基于检索增强生成(Retrieval-Augmented Generation, RAG)与Self-RAG思想进行证据驱动的特征评估与迭代筛选；预测智能体(Forecasting Agent, FA)集成Optuna进行贝叶斯超参数优化及SHAP(SHapley Additive exPlanations)值解释。基准模型包括Transformer、LSTM+Attention、RNN、TFT(Temporal Fusion Transformer)及TimesNet，评估指标为RMSE(均方根误差)和MAPE(平均绝对百分比误差)。

三、研究结果

3.1 特征工程构建与决策智能体筛选

研究人员通过PA1采集9项时序特征(如USD_Index、中美国债收益率等)及1030条中美互动事件文本，PA2过滤得到429条贸易相关事件并进行情感打分，构造正负事件情感哑变量。DA基于含学术论文、央行报告、权威财经媒体构建的领域知识库进行向量检索，从相关性(Relevance)、支持度(Supportiveness)、效用性(Utility)三维进行自我批判评分(权重0.2/0.4/0.4)，归一化后设定阈值80筛选特征。"Negative Events"因有足够文献支持获最高分，"US removal of China from currency manipulator list"因缺乏证据被剔除。结论：基于证据的特征选择可有效抑制LLM幻觉，选出具宏观经济解释力且经多源证据验证的高质量特征集。

3.2 FX-Agents多智能体工作流消融实验

分别测试FA(Transformer/RNN)单独及叠加PA1、PA1+PA2、PA1+PA2+DA的配置。结果显示逐步引入各智能体后预测误差持续降低。以Transformer为例，仅加入PA1(时序特征)RMSE为0.0936、MAPE为1.1220%；加入PA1+PA2(增加事件情感特征)RMSE降至0.0721%、MAPE降至0.8415%；完整FX-Agents(PA1+PA2+DA，经证据筛选特征)RMSE进一步降至0.0566、MAPE降至0.6532%。结论：多智能体协同流水线与RAG驱动的特征选择对提升预测精度具有显著累加贡献。

3.3 FX-Agents与传统特征工程性能对比

传统方法采用Pearson相关系数选时序特征(保留USD_Index、CN_1Y_GovBond_Yield)，XGBoost计算重要性选事件特征(保留正负事件)。将两组特征分别输入五类模型对比。结果显示FX-Agents所选特征在Transformer、TFT、TimesNet上RMSE与MAPE均低于传统特征(Transformer下FX-Agents为RMSE 0.0566/MAPE 0.6532% vs 传统 0.0618/0.7194%)，而在RNN与LSTM+Attention上略有劣化(因传统模型对复杂非线性关系捕捉力弱)。结论：FX-Agents筛选出的多模态、证据驱动特征更适配强表达能力模型，具更好泛化性与预测增益。

3.4 处理效率对比

FX-Agents全流程耗时约46分钟(PA1采集20min+PA2处理20min+DA特征选择1min+FA训练5min)，传统人工特征工程至少需340分钟(采集≥180min+处理≥120min+选择60min+建模20min)，整体效率提升300分钟以上。结论：多智能体自然语言交互与自动化执行大幅降低人工介入，显著提升大数据处理 operational efficiency。

四、讨论与结论翻译

研究人员提出并验证了基于多模态大数据与多智能体协作(Multi-Agent Collaboration)的汇率预测新范式FX-Agents。该框架通过PA1多源异构数据采集、PA2混合策略数据预处理与情感量化、DA结合RAG的证据驱动动态特征选择，以及FA自动模型优化与SHAP可解释性分析，系统性克服了传统方法数据孤岛、手工处理低效及特征选择主观之弊端。实验证明FX-Agents在USD/CNY汇率预测中较传统方法获得更高精度(RMSE降低、MAPE降低)与更高处理效率(节省数小时人工操作)，且特征选择过程透明可追溯。未来研究将增强实时预测能力、评估大规模LLM API延迟开销，并拓展至其他主要货币对汇率预测。