開源多代理 LLM 交易分析 QuantHarness，把 K 線讀成方向建議

用 AI 摘要這篇文章：

ChatGPT Claude Perplexity Google Grok

把大型語言模型放進交易決策鏈，這兩年學界走出了兩條路。一條讓模型讀新聞、讀財報、讀社群討論，做偏長線的消息面判斷，論文裡點名的 TradingAgent 與 FINMEM 都屬於這一支；另一條回頭相信交易圈最古老的直覺：圖會說話。QuantHarness 走的是後者，而且做得相當徹底，K 線圖先由程式算好指標、畫好趨勢通道與標註，再交給看得懂圖片的模型判讀，最後由決策代理彙總成一段附理由的方向建議。

這個專案出自紐約州立大學石溪分校 Y-Research 團隊，與卡內基美隆、英屬哥倫比亞、耶魯、復旦的研究者合作，2025 年 7 月上線、9 月掛上 arXiv 論文，MIT 授權完整開源，到 2026 年 10 月底累積近兩千九百顆星。它在 GitHub 上的現名是 QuantHarness，原本叫 QuantAgent，2026 年 7 月下旬才改名，舊網址會自動轉到新倉庫，你搜到的 QuantAgent 教學與討論指的都是同一個專案。

先交代它實際交付什麼：在本機跑一個 Flask 網頁，選好商品與時間週期，系統抓最近的 K 線、計算指標、產出帶標註的圖，幾個分析代理各自交出報告，決策代理彙總出作多或放空的方向、預測視野、決策理由與風險報酬比建議。它不會替你下單，倉庫裡沒有任何券商串接，也沒有回測引擎；論文裡的效能數字，repo 裡同樣沒有一鍵重現的程式。想把它接到實單，執行層與風控都得自己寫。

數學先算完，模型才看圖

QuantHarness 的核心設計，是把交易分析拆成性質不同的兩層，讀原始碼時最有收穫的也是這一段。

數值層全是確定性程式。指標代理背後的工具箱用 TA-Lib 計算五項經典指標：RSI（預設週期 14）、MACD、隨機指標、ROC（預設週期 10）與 Williams %R，每一項都是包在 LangChain 工具介面裡的純計算函式，同樣的 K 線進去，算出來的數字永遠一樣。送給模型判讀時，多數指標序列只取最後 28 個值，這個切片長度寫死在工具函式裡，控制的是餵給模型的上下文長度。趨勢代理的通道更有意思，原始碼對近期高低點做迭代配適：先取樞紐點與初始斜率，反覆調整斜率直到沒有價格點越過軌道，再把上下軌切成線段畫上圖。這套做法不神秘，但每一步都攤在 graph_util.py 裡，想驗證通道怎麼來的讀者可以逐行對。

語言層才輪到 LLM。整條流程用 LangGraph 的狀態圖組起來：指標、圖形、趨勢三個分析代理逐一接力，先後跑完把報告交給 Decision Maker 節點收斂，狀態裡帶著 K 線資料、各代理報告與訊息序列。趨勢代理把畫好通道標註的 K 線圖餵給模型，圖形代理給的則是乾淨的 K 線圖加一份常見型態清單，請它們用白話描述看到的型態與走勢；指標代理把數值層的輸出交給模型解讀成動能強弱；決策代理讀完三份報告，寫出結論。README 的「重要說明」寫得直接：模型必須支援影像輸入，因為圖形與趨勢分析靠的就是讀圖。這代表純文字模型跑不動這條鏈，選型時 gpt-4o、gemini-2.5-flash、qwen3-vl-plus 這類視覺模型才是有效選項。兩層的溫度都預設 0.1，盡量壓低判讀的隨機性，但不會是零。

為什麼要繞一圈畫圖給模型看，而不是直接丟數字陣列進去？從原始碼的分工看，至少有兩個用意。視覺模型本來就擅長圖形判讀，雙底、突破、收斂這類靠形狀說話的型態，畫出來比列數字更接近模型擅長的輸入；另外，指標值、通道上下軌、型態標註全部留在同一張圖上，決策代理引用的理由可以回溯到圖上的具體位置，整條鏈的判斷過程攤開來可檢查，這對研究用途比黑箱打分數有價值。論文把自己這套稱為價格驅動（price-driven），對照讀文字訊息的那一支，分野就在輸入的形態：一邊餵文字，一邊餵畫好的圖。圖形代理的實際做法也反映這個思路：程式把 K 線圖連同一份常見型態清單交給視覺模型，請它指出最像的型態並用白話解釋，模型輸出的是「這長得像雙底」這種交易員語言，不是一組機率分數；README 把這一步描述成「先標出主要高低點再比對型態庫」，程式碼裡其實沒有這個標記步驟。

Pin

決策代理交出的成品

決策代理的輸出是四個結構化欄位：預測視野（範例寫的是接下來三根 K 棒）、方向（作多或放空）、一段決策理由，以及風險報酬比建議，比例在 prompt 裡寫死區間 1.2 到 1.8，並要求依當下的波動度與趨勢強度給值。值得注意的是 README 宣稱決策會給「進場與出場參考點、停損門檻」，但結構化輸出裡沒有這些欄位，prompt 也沒有要求具體價位；方向與理由是真的，點位級的進出場建議停在文件層。官方架構圖裡的範例輸出是黃金期貨的作多訊號，理由欄位逐一引用 MACD 黃金交叉、ROC 上升與雙底型態，決策鏈的每一環都對得上前一段講的分工。

網頁介面是 Flask 驅動的單頁。資產選單預設是比特幣、以太幣與幾檔美股大型股，另有 Custom 輸入任意 Yahoo Finance 代號，期貨加 =F、指數加 ^，後端清單裡的 S&P 500 或黃金期貨要用自訂代號叫出，台股掛牌公司用 2330.TW 這類代號輸入，能不能取到資料取決於 yfinance 端。網頁時間框架按鈕從 1 分鐘到日線（程式層另支援 5 分鐘、30 分鐘、週線與月線），不過 yfinance 對短週期有回看限制，例如 30 分鐘線最多回看約 60 天，想做更長歷史的分析得改走程式化路線餵自己的資料。行情來自 yfinance 的免費資料源，系統自動抓最近的 45 根 K 線送進分析。這裡有個值得記下的細節：README 寫的是 30 根，原始碼裡實際切片是 45 根，註解裡還留著從 49 根一路調下來的痕跡，文件沒有跟上程式的最後一次調整。

資料入口不止網頁這一條。程式層留了一個列出本機 CSV 檔案的介面（依「商品_週期_日期.csv」命名，欄位需要 Datetime、Open、High、Low、Close），但倉庫裡沒有把檔案內容讀進分析的程式碼，網頁端也寫死一律用即時行情；想餵自己的資料，要靠下面這條程式化路線。更完整的程式化入口是 trading_graph 模組：建一個 TradingGraph 物件，把 K 線資料、商品名稱與週期放進初始狀態，呼叫 invoke() 就拿到完整分析結果，幾行程式碼就能把整條代理連結進自己的資料管線，想換掉 yfinance、餵自己行情源的人從這裡下手。

論文寫了四個代理，程式碼交貨三個

讀到這裡你可能會問：那論文裡講的風險代理呢？這是 QuantHarness 最值得攤開講的落差。

arXiv 論文的摘要明確寫著系統分解成四個專任代理：指標、圖形、趨勢、風險。README 裡決策代理的介紹也說它彙總「指標、圖形、趨勢與風險代理」的輸出，專案網頁同樣列出四個。但翻開建構整條 LangGraph 流程的 graph_setup.py，實際加進狀態圖的節點只有指標、圖形、趨勢三個分析代理，逐一串接後交給 Decision Maker 結束；分析與決策的程式碼裡找不到任何風險代理實作，risk 相關的程式碼只有決策輸出的風險報酬比欄位。換句話說，論文架構裡的第四個代理，在開源版本裡還沒有對應的程式碼。

這不是 QuantHarness 獨有的狀況，學術專案的論文常是研究當下的快照，開源倉庫則是持續搬動的可行系統，兩者之間本來就會有時間差。文件與程式碼的漂移在這個專案可以數出好幾處：剛才的 30 根與 45 根之差；README 宣稱的進出場點位與停損不在結構化輸出；圖形代理的高低點標記只存在於文件描述；專案網頁把指標寫成 RSI、MACD 與 Bollinger Bands，但程式碼實算的五項裡沒有 Bollinger Bands。給讀者的實用結論有兩個。引用規格時以原始碼為準，文件層的描述有時間差；想研究「風險評估怎麼做成一個代理」的人，在這個 repo 裡會撲空，論文與程式碼要對照著讀，拿論文當功能清單會踩空。

跑起來要自己準備的東西

環境是入門那道關。README 建議 Python 3.11 配 conda 環境，依賴清單裡最麻煩的是 TA-Lib，這個 C 語言函式庫在部分系統上編譯不過是常態，README 為此給了 conda-forge 的替代安裝指令。其餘依賴都是常規組合：Flask 做網頁、yfinance 抓行情、pandas 與 numpy 做資料處理、mplfinance 與 matplotlib 畫圖，LangChain 與 LangGraph 組代理流程，其中還有一個 langchain-qwq，是接 Qwen 系模型用的。順帶一提，依賴清單列了 scipy，但整個倉庫沒有 import 它，趨勢配適用的是純 numpy。啟動就是一行 python web_interface.py，瀏覽器打開 127.0.0.1:5000。

模型金鑰是另一道關。QuantHarness 是自帶金鑰（BYOK）的設計，介面上有六個供應商選項：OpenAI、Anthropic、Qwen、MiniMax 國際站、MiniMax 中國站與 Google Gemini。預設組合是代理層 gpt-4o-mini、決策層 gpt-4o；選 Anthropic 會換成 claude-haiku-4.5，選 Qwen 是 qwen3-max 配 qwen3-vl-plus，選 MiniMax 用 MiniMax-M3（國際與中國站走不同端點），選 Gemini 是 gemini-2.5-flash，介面上還標了 Free 字樣。金鑰可以放環境變數，也可以直接填進網頁裡的 API 管理框，存進組態後續分析就不用再填。這些供應商支援多數是 2026 年上半年由外部貢獻者陸續補上的，等於社群把這個學術原型慢慢養成了多模型工具。

組態裡代理層與決策層的模型可以分開設，看起來是現成的省錢槓桿，但看接線要小心：預設情況下指標判讀用的是決策層模型，代理層的便宜模型主要用在圖形與趨勢代理的工具呼叫路由，預設組合沒有把便宜模型放到最忙的位置，真要省錢得自己調組態。換模型會不會影響結果？會。六個選項預設的模型不同、影像判讀能力不同，同一張圖不同模型的讀法本來就會有差異，跨模型的輸出不能直接當成同一套訊號比較，做實驗時固定模型是基本紀律。

隱私邊界要畫清楚：行情下載與 K 線圖產生都在你的機器上，但判讀發生的那一刻，帶標註的圖與商品名稱會送到你選的那家模型雲端。它不是本機推理工具，資料出不出門取決於你的金鑰指向誰，成本也由那次呼叫按量計費。另一個現實帳是：一次完整分析至少要跑三個分析代理加一個決策者，等於多趟模型呼叫，用高階模型的話，一份報告的成本比你想像的高，拿免費額度的 Gemini 當入門試跑是合理起點。

名稱裡的高頻，要放對期待

論文標題把 QuantHarness 定位成高頻交易框架，摘要也自述是第一個專為高頻交易設計的多代理 LLM 架構。對照它實際的資料源與流程，這個詞要看得精確。

實務界說的高頻交易，指的是機房共置、微秒級延遲的競速。QuantHarness 的鏈路是：yfinance 免費行情（部分市場有延遲）、模型逐代理呼叫的秒級回應、每次分析只看最近 45 根 K 棒。論文自己的評估也是在 1 小時與 4 小時週期上做的，並非毫秒級搶價。把它理解成短視窗的日內研究工具，比把它當高頻系統部署，期待會準確得多。

效能宣稱也一樣要標來源。論文寫在九項金融商品（含比特幣與 Nasdaq 期貨）上，預測準確度優於隨機、線性迴歸與 XGBoost 三種基線；隨機基線是地板，線性迴歸與 XGBoost 是兩種不讀圖的淺層模型，打贏它們說明「LLM 讀圖」這條路有東西，距離打贏實務策略還很遠。這些是零樣本設定下的作者宣稱，repo 沒附回測引擎讓第三人重現；專案網頁的案例分析顯示某段 SPX 樣本十個訊號八個方向正確，那是單一期間的樣本截圖，不是常態保證。決策鏈裡有 LLM 判讀，就永遠有變異的可能，溫度 0.1 壓低它，拿不掉它。這些數字可以當選題線索，不該當績效依據。

能拿它直接回測嗎？現在不能。倉庫裡沒有回測迴圈、沒有績效統計，論文實驗的評估管線也沒有開源，你要自己把 TradingGraph 的輸出接進自己的回測框架，訊號品質才算真正被檢驗過。這也是研究起點與交易產品之間那條線的具體位置。

Pin

從論文到改名，兩年多的開發節奏

把 git 歷史攤開，QuantHarness 呈現典型的學術專案節奏。2025 年 7 月 9 日初始提交，兩天內補上授權檔；2025 年 9 月 arXiv 論文編號 2509.09995 上線後，核心架構就基本定住，之後的改動幾乎都是供應商支援與小修，而且多數來自外部貢獻者：2026 年 3 到 6 月間，陸續有人提交了 MiniMax、MiniMax 中國站、Gemini 供應商與 M3 升級的 pull request。2026 年 7 月 23 日作者把專案從 QuantAgent 改名 QuantHarness，同一批提交更新了網頁與示範動圖，README 建議的 conda 環境名也跟著從 quantagents 改叫 quantharness；2026 年 8 月 18 日同一天合併三個外部 pull request（MiniMax 升級、Gemini 供應商、星數歷史圖修復）之後，主線就凍結了，到本文查證的 10 月底沒有新提交。

137 個 commits、2,885 顆星、621 次 fork、3 個未關閉 issue，對一個附論文的學術 repo 是相當亮的數字，提交歷史裡多次「update wechat」也透露主要社群互動發生在微信圈，英文 issue 區相當安靜。給讀者的判斷是：把它當教材與研究起點，凍結狀態影響不大，架構與論文都在；要把它放進長期維運的正式環境，就得認知它可能就停在 2026 年 8 月，供應商 API 一改，修的人可能是你也可能沒有人。

適合拿它當什麼，不適合當什麼

適合的人有三種讀者樣貌。想讀多代理 LLM 架構原始碼的人，這是一份小而完整的 LangGraph 樣本，狀態圖、工具箱、代理 prompt 全部攤開，代理與工具鏈的 Python 程式碼約一千七百行，加上網頁端合計約兩千九百行，一兩個下午讀得完；想重現或延伸論文實驗的研究者，它給了可改造的底座，只要自己補評估迴圈；想讓「LLM 讀圖判讀」接上自己行情源的工程者，TradingGraph 的程式化介面就是為此留的。如果目標只是先玩玩 LLM 交易這個題目，AITradingSimulator 用三個指令就能起一場紙上交易競賽，門檻低得多；要的是帶回測的自架量化工作台，QuantDinger 更對題；還在建立量化概念的讀者，Quant Wiki 的中文條目是更便宜的起點。

不適合的用法同樣明確。拿它的訊號直接下單：訊號沒有經過獨立驗證的歷史績效，模型判讀有隨機性，零樣本比較也不含實盤的滑點與手續費，當研究材料成立，當交易依據不成立。需要低延遲的場景：鏈路裡的模型呼叫決定了它的速度上限。期待開箱即用產品的人：TA-Lib 安裝、金鑰設定、英文與簡中介面，每一關都要動手，它假設的讀者本來就是願意讀程式的人。

第一步很具體：照 README 建 conda 環境、裝依賴、啟動 web_interface.py，挑一檔你最熟悉的商品跑 1 小時週期，把決策代理給的理由與你自己看圖的判斷並列對照。它講得通的部分，你會知道這套架構的價值在哪；它講不通的部分，你會比任何評分都更快看清邊界。