De la ejecución a la inteligencia: la evolución arquitectónica de los sistemas de trading desde 2007 hasta la era de la IA multiagente

1. Terminales cliente monolíticas y bucles síncronos de ticks de un solo símbolo

Entre 2005 y 2013, la agregación de liquidez prime-of-prime y los libros electrónicos de órdenes límite transformaron el mercado mundial de divisas y derivados extrabursátiles minoristas (King, Osler y Rime [6, 7]). Las horquillas bid-ask en los pares principales de divisas se comprimieron casi en un orden de magnitud, y los operadores particulares obtuvieron transmisión electrónica instantánea de órdenes desde sus equipos domésticos. Las terminales cliente de escritorio, muy especialmente MetaTrader 4 (lanzada en 2005) y MetaTrader 5 (lanzada en 2010), estandarizaron esta primera era arquitectónica mediante un binario Win32 en C++ con estado que mantenía sesiones TCP persistentes contra el servidor de negociación de un único bróker.

La Generación 1 resolvió el principal cuello de botella de ingeniería de su década: el acceso electrónico determinista del inversor minorista al mercado y la programación local de reglas. Sin embargo, cada vez que un desarrollador cuantitativo adjuntaba un Asesor Experto automatizado (EA) o un indicador personalizado a una ventana gráfica, la ejecución discurría confinada dentro de un bucle síncrono de eventos estrictamente restringido a un único símbolo. Cada llegada de cotización ΔP^(s)_k sobre el símbolo s en la marca temporal de tick t_k activaba la siguiente transición de estado local:

En la Ecuación (1), x^(s)_k denota la memoria local de búfer circular vinculada exclusivamente al símbolo del gráfico s, Φ_local es la función síncrona de actualización OnTick() que se ejecuta en el hilo de CPU del cliente, g_θ representa una política de vector paramétrico fijo θ ajustado fuera de línea, y u^(s)_k despacha una orden a mercado o pendiente de tamaño q con distancias estáticas de stop-loss y take-profit directamente hacia el servidor del bróker.

Sigamos un fallo operativo concreto de la Ecuación (1) durante la publicación en vivo del Índice de Precios al Consumidor (IPC) de Estados Unidos a las 13:30:00 UTC. Supongamos que un Asesor Experto de reversión a la media sobre EURUSD 15m observa un rango previo calmado de 9 pips y mantiene un umbral paramétrico θ que le ordena comprar ante una caída de 6 pips. A las 13:30:01 UTC, el rendimiento de los bonos del Tesoro estadounidense a 2 años salta +18 puntos básicos y el Oro (XAUUSD) cae un -1.4% en apenas 350 milisegundos en las fuentes institucionales. Ciego a los rendimientos de los bonos, al Oro y al texto del titular del IPC, el búfer circular aislado de EURUSD detecta su primer tick de -6.5 pips y lanza un OrderSend comprador directo contra una cascada macroeconómica de repreciación, sufriendo 4.2 pips de deslizamiento de entrada y una expulsión inmediata por stop de 35 pips segundos más tarde.

Dos techos arquitectónicos adicionales acompañaban a esta topología de ejecución. Primero, los probadores locales de estrategias de escritorio fomentaban búsquedas genéticas en rejilla sin restricciones sobre archivos históricos de velas, cultivando un severo sobreajuste paramétrico dentro de la muestra con cero telemetría en vivo sobre la desviación entre prueba futura y backtest. Segundo, la pestaña Account History de la terminal registraba únicamente un libro contable plano (número de ticket, precio de ejecución, swap y beneficio neto en dólares), permaneciendo por completo ciega al plan de trading de cuatro cláusulas que el operador humano se había comprometido a respetar.

La investigación y desarrollo cuantitativo independiente de ForecastCity sobre geometría de patrones y pronóstico multitemporal comenzó en 2007 en pleno corazón de esta primera era, culminando con su lanzamiento comercial para operadores de pago en mayo de 2013. De forma crucial, la inteligencia de Generación 3 no obliga a los usuarios de MetaTrader a abandonar sus canales habituales de ejecución con el bróker. A través de ForecastFollow, la inferencia multimodal pesada en la nube se ejecuta en servidores dedicados y proyecta en tiempo real las zonas, niveles Pivot, patrones armónicos y Green Arrows de 4CastMachine AI de forma nativa sobre los gráficos de MetaTrader 4 y MetaTrader 5, al tiempo que retransmite los tickets cerrados del bróker de vuelta a la nube para su auditoría de cumplimiento.

2. Grafos de escena en la nube, lenguajes sociales DSL y la paradoja de rotación en lazo abierto

Entre 2012 y 2022, el software financiero experimentó una profunda desagregación de interfaces e intermediación. Los motores gráficos en la nube desacoplaron la visualización del mercado respecto a los binarios de escritorio en C++ transmitiendo flujos OHLCV normalizados de múltiples mercados mediante WebSockets hacia lienzos HTML5 Canvas y grafos de escena WebGL en el navegador. Simultáneamente, los lenguajes vectorizados de dominio específico para series temporales (ejemplificados por Pine Script, introducido a finales de 2013) permitieron a millones de usuarios publicar más de 100,000 indicadores retrospectivos personalizados, mientras las corredurías móviles comprimían a cero las comisiones explícitas por boleto en acciones y criptoactivos.

Desde una perspectiva estricta de infraestructura, la Generación 2 fue un triunfo técnico: desapareció la fricción entre dispositivos, los gráficos cargaban al instante en cualquier navegador y la transmisión de órdenes se volvió inmediata. En términos económicos, el sector global de software de trading algorítmico y con IA se expandió hacia un mercado convergente de $24.27 mil millones (analizado en nuestro estudio de dimensionamiento de mercado), donde los sistemas de decisión nativos de IA crecen hoy a un ritmo compuesto cercano al 20% CAGR frente al 5% a 7% de las utilidades gráficas comoditizadas. Sin embargo, en decenas de miles de cuentas minoristas autogestionadas, los gráficos fluidos en la nube y los boletos móviles sin comisiones no lograron mejorar la rentabilidad de los inversores y, en numerosas cohortes, agravaron activamente los drawdowns.

Para comprender por qué, formulemos la tasa realizada de crecimiento de la riqueza logarítmica multiperíodo g_realized de una cuenta autogestionada que ejecuta N_trades operaciones completas al año dentro de una interfaz en lazo abierto:

Desglosando la Ecuación (2), μ_gross es la deriva teórica antes de fricciones de las configuraciones del operador, N_trades es el número anual de operaciones de ida y vuelta, (c_ticket + c_spread + c_slip) suma las comisiones explícitas más la horquilla implícita bid-ask y el deslizamiento por impacto de mercado en cada operación, η_herd(S_push) representa la pérdida por selección adversa inducida por listas push de alta prominencia visual y muros sociales S_push, y (1/2) σ²_port es el lastre por varianza de Itô sobre la capitalización geométrica.

Tres estudios empíricos fundamentales arbitrados por pares cuantifican la magnitud exacta de cada término de pérdida en la Ecuación (2). Primero, Barber y Odean [3] auditaron 66,465 cuentas domésticas de corretaje y demostraron que el quintil de mayor rotación (con una rotación de cartera superior al 250% anual) rindió 6.5 puntos porcentuales menos por año que los índices de referencia del mercado. Recorramos esa matemática de capitalización compuesta sobre una cuenta de $100,000 durante cinco años: capitalizar al retorno de referencia del +11.4% eleva el patrimonio hasta $171,560, mientras que restar el 6.5% anual de desgaste por rotación (+4.9% neto) deja $127,020, borrando $44,540 de riqueza terminal únicamente por exceso de frecuencia operativa debido a sobreconfianza. Segundo, Barber, Huang, Odean y Schwarz [4] analizaron usuarios de corredurías móviles sin comisiones y documentaron que las listas llamativas de «Top Movers» sincronizaban oleadas concentradas de compras minoristas seguidas de retornos anormales medios de -4.7% a 20 días; comprometer el 25% del patrimonio de la cuenta en apenas doce episodios anuales de persecución por atención drena aproximadamente un -13.2% del capital total. Tercero, Apesteguia, Oechssler y Weidenholzer [1] demostraron mediante experimentos económicos controlados que las clasificaciones sociales y las interfaces pasivas de copy-trading inflan la búsqueda de riesgos extremos de cola (σ²_port) sin transferir verdadera destreza analítica. Tanto la Generación 1 como la Generación 2 perfeccionaron la ejecución de órdenes mientras dejaban a los operadores humanos varados dentro de un sistema en lazo abierto sin asistencia.

3. Descomposición multiagente en 9 IA especializadas y autonomía acotada del operador

Cuando surgieron los grandes modelos fundacionales en 2023, los primeros prototipos financieros intentaron un atajo monolítico: volcar matrices crudas OHLCV, cables de noticias macroeconómicas, reglas de estrategia y libros contables dentro de un único modelo conversacional de lenguaje o una red de aprendizaje por refuerzo de extremo a extremo. En entornos financieros de producción, las arquitecturas monolíticas fracasan en tres ejes críticos de ingeniería. Primero, los transformadores autorregresivos de tokens sufren alucinaciones geométricas y aritméticas sobre series continuas de precios en coma flotante y carecen de covarianzas de error multihorizonte calibradas. Segundo, mezclar fluctuaciones ruidosas de ticks con textos escasos de política monetaria dentro de una sola matriz compartida de parámetros provoca una severa interferencia entre modalidades. Tercero, las políticas opacas de extremo a extremo violan la auditabilidad y no pueden garantizar fronteras estrictas de seguridad operativa.

La teoría moderna de sistemas multiagente (Wooldridge [10]) y los estudios comparativos arbitrados más recientes en IA financiera confirman que descomponer flujos complejos de mercado en agentes especializados y anclados en herramientas deterministas supera ampliamente a los modelos monolíticos. FinMem de Yu et al. [12] demostró que separar perfiles estratificados de memoria de corto, medio y largo horizonte mejora sustancialmente la adaptación a cambios de régimen fuera de la muestra. El sistema multimodal FinAgent de Zhang et al. en ACM SIGKDD 2024 [13] probó que acoplar procesadores numérico-visuales dedicados de gráficos con módulos de reflexión textual y herramientas deterministas de dominio supera a los modelos generalistas en diversas clases de activos. De igual modo, TradingAgents de Xiao et al. [11] estableció que separar los roles técnico, de sentimiento, de riesgo y de revisión de ejecución elimina el sesgo de confirmación propio de un único prompt.

ForecastCity, la plataforma integral de IA para traders (resumen del ecosistema), encarna la Generación 3 particionando la inteligencia en 9 IA especializadas en trading organizadas en dos grupos funcionales diferenciados (cuatro motores de lectura de mercado y cinco sistemas del lado del operador) conectados a través de superficies deterministas de verificación y ejecución, tal como ilustra la Figura 1.

Mantener una estricta honestidad arquitectónica exige distinguir las IA activas en producción de los próximos módulos en hoja de ruta:

• Cuatro motores activos en vivo de lectura de mercado dentro de 4CastMachine AI (Quad-AI): Forecast AI (geometría técnica multitemporal), Sentiment AI (noticias en vivo y PLN macroeconómico), Synergy AI (ponderación dinámica continua de regímenes hacia la Unified Strategic Insight) y Navigator AI (Buy Zones y Sell Zones prescriptivas, invalidación Pivot, Profit y Reverse Zones, y Green/Dashed Arrows en más de 200 instrumentos y más de 100,000 actualizaciones diarias de pronóstico).
• Cinco sistemas del lado del operador en la familia AI Trading: AI Trading Journal (beta en vivo en los planes de suscripción de pago, auditando operaciones cerradas cláusula por cláusula en la tarjeta Strategy check); AI Trading Assistant (beta en vivo lanzada en noviembre de 2026, operador multilingüe por voz y texto del espacio de trabajo); AI Trading Academy (currículo multiactivo de Fase 1 activo en vivo en 25 idiomas, con progresión socrática con IA de Fase 2 en desarrollo); junto con dos módulos en desarrollo dentro de la hoja de ruta, AI Trading Coach (mentoría longitudinal persistente sobre hábitos) y AI Trading Community (salas de escenarios por símbolo facilitadas por IA).

Para impedir alucinaciones conversacionales o exposiciones no autorizadas de capital, AI Trading Assistant está gobernado por un invariante formal de separación sobre un Proceso de Decisión de Markov Parcialmente Observable (POMDP). Sea W_t el estado del espacio de trabajo, Ŷ_4CM los pronósticos oficiales de mercado de 4CastMachine AI, a_t ∈ 𝒜 = 𝒜_read ⊔ 𝒜_imm ⊔ 𝒜_conf una invocación de herramienta, y h_t ∈ {0, 1} un clic explícito de confirmación humana:

La Ecuación (3) garantiza simultáneamente tres propiedades deterministas de seguridad. Primero, ∂Ŷ_4CM / ∂a_t = 0 asegura que el modelo de lenguaje jamás invente pronósticos improvisados de precios, leyendo el estado oficial de Quad-AI estrictamente mediante herramientas de solo lectura. Segundo, 𝒜 ∩ 𝒜_{broker_order} = ∅ garantiza que el asistente envíe cero órdenes reales a ningún bróker. Tercero, T_policy particiona todas las herramientas del espacio de trabajo en tres niveles explícitos de permisos:

En concreto, preguntar «¿Cuál es el pronóstico de 4h para la plata?» invoca el nivel read (W_t+1 = W_t, cero mutaciones). Decir «Cambia el diseño a 2 gráficos y añade ATR» se ejecuta en el nivel immediate mostrando al instante una píldora reversible de un clic Applied · Undo. Solicitar «Construye una estrategia de retroceso desde esta zona, escanea 300 símbolos o páusame durante 30 minutos tras dos pérdidas» activa el nivel confirm: el asistente presenta una tarjeta estructurada de vista previa, muta W_t únicamente si h_t = 1 y conserva una instantánea activa de Undo durante 10 minutos. Comparemos cuantitativamente la latencia operativa: configurar manualmente un escaneo multicondición sobre una lista de seguimiento de 300 símbolos, calcular el tamaño en lotes para un riesgo patrimonial del 0.75% según el valor del pip en divisas y ensamblar una estrategia de ocho parámetros exige entre 14 y 18 minutos de clics repetitivos en pantalla (durante los cuales se infiltra la fatiga cognitiva). Delegar esa configuración mediante la Ecuación (3) comprime el tiempo de preparación por debajo de 25 segundos manteniendo el 100% de aprobación humana sobre las transiciones de estado.

4. Descomposición de la fuga conductual y cierre del bucle epistémico mediante Shadow Variants

¿Por qué los operadores discrecionales pierden dinero con frecuencia incluso cuando disponen de zonas de entrada con esperanza matemática positiva y ejecución de baja latencia? Los estudios clínicos psicofisiológicos aportan evidencia directa. Lo, Repin y Steenbarger [8] midieron la activación autonómica en tiempo real (conductancia cutánea, pulso de volumen sanguíneo y frecuencia cardíaca) en operadores intradía en activo y documentaron una elevada reactividad emocional durante los picos de volatilidad. Ampliando esa línea clínica en mesas de banca de inversión, Fenton-O'Creevy et al. [5] demostraron que los operadores sénior de alto rendimiento regulan activamente los impulsos emocionales mediante retroalimentación analítica estructurada, mientras que los de bajo rendimiento exteriorizan el miedo y la aversión a las pérdidas recortando ganancias prematuramente, ampliando niveles de stop-loss y abriendo operaciones de revancha tras sufrir pérdidas.

La ingeniería de control (Wiener [9]; Åström y Murray [2]) explica por qué las arquitecturas de Generación 1 y Generación 2 son incapaces de corregir esta deriva. Sea π_θ = (ϕ_entry, ϕ_SL, ϕ_TP, ϕ_mgmt) el plan de trading previsto de cuatro cláusulas del operador, y sea d_k la perturbación emocional endógena en la operación k. En una terminal en lazo abierto solo se registra el retorno neto realizado R_k(u^actual_k), confundiendo la aleatoriedad del mercado con los incumplimientos humanos de reglas. ForecastCity separa matemáticamente ambas variables ejecutando en paralelo una Shadow Variant determinista intacta π_θ,shadow exactamente sobre los mismos ticks en tiempo real dentro de Virtual Accounts mientras califica cada operación real en sus cuatro cláusulas dentro de AI Trading Journal:

En la Ecuación (4), E[R_shadow(π_θ)] es la esperanza matemática realizada ajustada por costos (descontando spread realista de bróker, comisión y swap nocturno) del conjunto puro de cuatro cláusulas π_θ, e_k,j es la desviación de cumplimiento en la operación k respecto a la cláusula j, y ΔJ_behavior cuantifica la fuga total de alfa conductual humano medida en múltiplos R.

Recorramos una auditoría concreta de atribución sobre 50 operaciones con un riesgo de $200 por operación (1.0 R = $200), representada visualmente en la Figura 2. Supongamos que tras dos meses de operativa en vivo, la cuenta intervenida manualmente del operador registra una pérdida neta de -$840 (-4.2 R en total, o -0.084 R por operación). En cualquier terminal de Generación 1 o Generación 2, esa estrategia parecería defectuosa. Sin embargo, la Shadow Variant paralela que ejecutó las reglas puras π_θ sobre cotizaciones en vivo idénticas generó +18.0 R de ventaja bruta, pagó -2.5 R (-$500) en fricción de spread y swap, y acumuló +$3,100 (+15.5 R netos, o +0.310 R por operación), sellados en una cadena de hashes SHA-256 a prueba de manipulaciones. Calcular la Ecuación (4) revela ΔJ_behavior = -4.2 R - 15.5 R = -19.7 R (-$3,940 de fuga puramente conductual): -5.2 R por entradas tardías por FOMO fuera de zona (e_entry), -6.0 R por ampliar el stop dos veces durante picos de noticias (e_SL), -7.1 R por cerrar manualmente ganadoras de +3.0 R en apenas +0.5 R (e_TP), y -1.4 R por omitir desplazamientos a punto de equilibrio (e_mgmt).

5. Transferencia unificada de coordenadas en todo el ecosistema sobre Plata en vivo (XAGUSD 4h)

La ventaja de ingeniería definitoria de un ecosistema multiagente en lazo cerrado es el uso de coordenadas estructurales compartidas: todos los módulos hablan exactamente el mismo lenguaje numérico de niveles de precio en lugar de obligar al operador a copiar cifras a mano entre aplicaciones inconexas. La Figura 3 captura la Plata en tiempo real (XAGUSD 4h) dentro de 4CM-AI Charts con el precio spot cotizando justo en 48.833.

Sigamos esta única configuración sobre la Plata a lo largo de las cinco etapas operativas del lazo cerrado:

1. Estimación multiescala de estado (4CM-AI Charts + Quad-AI): En 4h, la Plata mantiene estructura bajista por debajo de 53.201 con los horizontes cortos alineados a la baja (15m bajista bajo 48.940, 30m bajo 48.980, 1h bajo 51.167). Sin embargo, al consultar el contexto de temporalidad superior se observa que el gráfico Diario (D) reposa en la base de un amplio rango de 48.440 a 71.368 mientras el Semanal (W) y el Mensual (M) conservan soporte estructural macro cerca de 49.810. Con el spot en tiempo real en S1 = 48.833 (apenas 39.3 centavos sobre el piso del rango Diario en 48.440), Navigator AI deja claro que abrir cortos nuevos en 48.833 ofrece una asimetría deficiente en comparación con esperar un retroceso hacia la Sell zone 51.277 - 53.201 o una ruptura confirmada por debajo de 48.440 rumbo a S2 = 45.518 y S3 = 43.118. Cuantifiquemos directamente ese contraste en múltiplos R: entrar corto en retroceso a 51.800 dentro de la Sell zone rosa frente a la invalidación estructural en Pivot = 53.201 arriesga 1.401 USD por onza para buscar 2.967 USD en S1 = 48.833 (+2.12 R) y 6.282 USD en S2 = 45.518 (+4.48 R), mientras que perseguir el precio tarde en 48.833 contra 53.201 arriesga 4.368 USD por apenas 3.315 USD hasta S2 (0.76 R).
2. Compilación formal en cuatro cláusulas y validación contrafactual (AI Strategy Studio + Virtual Accounts): Dentro de AI Strategy Studio, el operador compila exactamente esas coordenadas en cuatro cláusulas verificables por máquina: Entry ante rechazo bajista dentro de 51.277 - 53.201, Stop Loss por encima de Pivot = 53.201, salidas escalonadas de Take Profit en S1 = 48.833, S2 = 45.518 y S3 = 43.118, y ajuste de Management a punto de equilibrio una vez alcanzado S1. Al desplegarla en una Virtual Account se valida el conjunto de reglas sobre cotizaciones de Plata en tiempo real con costos realistas de spread y swap, se ejecuta en paralelo una Shadow Variant y se sellan los resultados públicos en una cadena de hashes SHA-256.
3. Vigilancia asíncrona y salvaguardas previas a la operación (Smart Alerts + AI Trading Assistant): En lugar de permanecer hipnotizado frente a los ticks, las Smart Alerts vigilan el borde de zona en 51.277 las 24 horas de los 7 días de la semana. Si el operador siente la tentación de vender impulsivamente en 48.833 y pregunta a AI Trading Assistant «¿Estoy dentro de mi plan de trading en XAGUSD?», el asistente contrasta el precio en tiempo real frente a la cláusula compilada de entrada 51.277 - 53.201 y advierte la infracción por FOMO fuera de zona antes de comprometer capital. Si ocurren dos salidas consecutivas por stop, una rutina automatizada de racha de pérdidas ofrece una pausa de enfriamiento de 30 minutos.
4. Sincronización de ejecución con MetaTrader (ForecastFollow): Para los operadores que enrutan órdenes reales mediante MetaTrader 4 o MetaTrader 5, ForecastFollow superpone de forma nativa la misma Sell zone 51.277 - 53.201, el Pivot 53.201 y la escalera S1 - S5 dentro de la terminal del bróker, sincronizando automáticamente cada ejecución de vuelta hacia la nube.
5. Atribución post-operación por cláusulas (AI Trading Journal): Una vez cerrada la operación en Plata, Strategy check evalúa Entry, Stop Loss, Take Profit y Management (Followed, Partly followed o Not followed), calcula la eficiencia de captura mediante MAE y MFE entre 51.800 y 45.518, y reintroduce métricas objetivas de cumplimiento directamente en el siguiente ciclo de mejora del operador, sentando la base telemétrica para la mentoría longitudinal del próximo módulo AI Trading Coach.

6. Matriz de arquitectura de sistemas en tres generaciones (2005-2026)

Preguntas frecuentes

Referencias académicas y del sector

1. [1]Apesteguia, J., Oechssler, J., & Weidenholzer, S. (2020). Copy trading. Management Science, 66(12), 5608-5622. https://doi.org/10.1287/mnsc.2019.3508
2. [2]Åström, K. J., & Murray, R. M. (2021). Feedback Systems: An Introduction for Scientists and Engineers (2nd ed.). Princeton, NJ: Princeton University Press.
3. [3]Barber, B. M., & Odean, T. (2000). Trading is hazardous to your wealth: The common stock investment performance of individual investors. The Journal of Finance, 55(2), 773-806. https://doi.org/10.1111/0022-1082.00226
4. [4]Barber, B. M., Huang, X., Odean, T., & Schwarz, C. M. (2022). Attention-induced trading and returns: Evidence from Robinhood users. The Journal of Finance, 77(6), 3141-3190. https://doi.org/10.1111/jofi.13183
5. [5]Fenton-O'Creevy, M., Soane, E., Nicholson, N., & Willman, P. (2011). Thinking, feeling and deciding: The influence of emotions on the decision making and performance of traders. Journal of Organizational Behavior, 32(8), 1044-1061. https://doi.org/10.1002/job.720
6. [6]King, M. R., Osler, C. L., & Rime, D. (2012). Foreign exchange market structure, players and evolution. In Handbook of Exchange Rates (pp. 1-44). John Wiley & Sons. DOI
7. [7]King, M. R., Osler, C. L., & Rime, D. (2013). The market microstructure approach to foreign exchange: Looking back and looking forward. Journal of International Money and Finance, 38, 95-119. https://doi.org/10.1016/j.jimonfin.2013.05.004
8. [8]Lo, A. W., Repin, D. V., & Steenbarger, B. N. (2005). Fear and greed in financial markets: A clinical study of day-traders. American Economic Review, 95(2), 352-359. https://doi.org/10.1257/000282805774669704
9. [9]Wiener, N. (1948). Cybernetics: Or Control and Communication in the Animal and the Machine. Cambridge, MA: MIT Press.
10. [10]Wooldridge, M. (2009). An Introduction to MultiAgent Systems (2nd ed.). Chichester, UK: John Wiley & Sons.
11. [11]Xiao, Y., Sun, E., Luo, D., & Wang, W. (2024). TradingAgents: Multi-agents LLM financial trading framework. arXiv preprint arXiv:2412.20138.
12. [12]Yu, Y., et al. (2024). FinMem: A performance-enhanced LLM trading agent with layered memory and character design. Proceedings of the AAAI Symposium Series, 3(1), 595-597 (arXiv:2311.13743).
13. [13]Zhang, W., et al. (2024). A multimodal foundation agent for financial trading: Tool-augmented, diversified, and generalist (FinAgent). Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2024), 4314-4325. https://doi.org/10.1145/3637528.3671801