アルゴリズムトレードにLLMを使うなら、1つのモデルに全部任せるより分業させた方が精度が出る。

QuantAgentはその仮説を検証したオープンソースのマルチエージェントフレームワークだ。Stony Brook大学・CMU・Yale・UBC・復旦大学の研究者が共同開発し、高頻度取引（HFT）に特化した初のLLMマルチエージェントシステムとして2025年9月にarXivで発表された。GitHubリポジトリは2026年5月時点でスター2,500件を超えている。

この記事でわかること

  • QuantAgentが既存のLLM金融システムと根本的に異なる設計思想
  • 4つの専門エージェントがどう連携して売買判断を出すか
  • 対応しているLLMと起動手順
  • 実際の精度検証結果

https://github.com/Y-Research-SBU/QuantAgent

既存のLLM金融システムが抱える問題

TradingAgentやFINMEMといった先行研究は、ファンダメンタルズやニュース感情を入力にして長期投資の判断をLLMに任せる設計だ。四半期決算やアナリストレポートをコンテキストに流し込む方式で、情報処理の幅は広い。

ただし高頻度取引には向かない。HFTが必要とするのは、RSIやMACDといったテクニカル指標、チャートパターン、トレンドチャネルといった「短時間の構造化シグナル」だ。テキスト推論を中心に設計されたシステムは、これらを正確かつ高速に扱えない。

QuantAgentはこのギャップを埋めるために設計された。

4つの専門エージェントの役割

システムの中核は、LangChainとLangGraphで実装された4つのエージェントだ。それぞれが独立した役割を持ち、最終的な売買判断に向けて出力を渡していく。

Indicatorエージェントは、ローソク足のOHLCデータが来るたびにRSI・MACD・ストキャスティクスなど5種類のテクニカル指標を計算する。数値の羅列ではなく、「RSIが70を超えており過買い状態」のように解釈済みのシグナルとして出力するのが特徴だ。

Patternエージェントは、直近の価格チャートから主要な高値・安値の動きを読み取り、ヘッド＆ショルダーやダブルトップといった定番パターンと照合する。視覚的なチャートを生成してLLMに渡すため、マルチモーダル対応のモデルが必要になる。

Trendエージェントは、価格のトレンドチャネル（上限・下限ライン）を重ねたチャートを生成し、市場の方向性・チャネルの傾き・もみ合いゾーンを定量化する。「上昇チャネルの中段」のような状況をテキストで出力する。

Decisionエージェントは、以上3エージェントの出力と、別途計算されるリスク指標を統合して最終判断を下す。ロングかショートかのポジション方向、エントリー価格・エグジット価格の目安、ストップロスの水準、判断根拠をセットで出力する。

対応LLMと起動手順

視覚チャートを扱う仕組み上、画像入力に対応したモデルが必要だ。現時点でOpenAI（GPT-4o系）、Anthropic（Claude）、Qwen（DashScope）、MiniMaxに対応している。

セットアップは以下の手順で進む。

conda create -n quantagents python=3.11
conda activate quantagents
pip install -r requirements.txt

TA-Libのインストールでエラーが出る場合は conda install -c conda-forge ta-lib を試すとよい。

APIキーを環境変数にセットしてからWebサーバーを起動する。

export ANTHROPIC_API_KEY="your_key_here"
python web_interface.py

http://127.0.0.1:5000 にアクセスすると、資産の選択（株式・仮想通貨・商品・指数）、時間足（1分〜日足）、日付範囲を指定して分析を実行できる。APIキーはWebインターフェース上から更新することも可能だ。

コードから直接使う場合は以下のように呼び出す。

from trading_graph import TradingGraph

trading_graph = TradingGraph()
initial_state = {
    "kline_data": your_dataframe_dict,
    "analysis_results": None,
    "messages": [],
    "time_frame": "4hour",
    "stock_name": "BTC"
}
final_state = trading_graph.graph.invoke(initial_state)
print(final_state.get("final_trade_decision"))

精度の検証結果

ビットコイン・Nasdaq先物を含む9種類の金融商品で検証された。1時間・4時間インターバルの価格方向予測で、既存の手法（TradingAgent等）を一貫して上回っている。ローリングウィンドウ検証では、短期価格変動の方向精度が最大80%に達したと報告されている（論文参照）。

ただし、バックテストと実運用は条件が異なる。論文の検証は過去データに対するもので、実際のHFT環境での動作は保証されていない。自己の責任において利用することが前提になる。

既存ツールとの違い

多くのLLM金融ツールが「テキスト情報から将来を読む」アプローチを取るのに対し、QuantAgentは「テクニカルチャートをビジョン入力として処理する」点が異なる。Patternエージェント・Trendエージェントが画像ベースで動く設計は、チャート分析の慣行に近い形でLLMを組み込んでいる。

また、4エージェントの分業で推論の過程が可視化されるため、「なぜその判断を出したか」を追跡しやすい。モノリシックなモデルに丸投げするより、デバッグや改良がしやすい構造になっている。

まとめ

QuantAgentは、高頻度取引向けのマルチエージェントLLMフレームワークとして研究コミュニティからオープンソース化されたツールだ。4エージェントによる分業設計でHFTに必要なシグナル処理を体系化し、複数のLLMに対応したWebインターフェースを備えている。金融AIの実装を学ぶ文脈でも、実験的なトレーディングシステムを構築する文脈でも、参照価値のあるコードベースといえる。