De l’exécution à l’intelligence : l’évolution architecturale des systèmes financiers de 2007 à l’ère de l’IA multi-agents

1. Terminaux clients monolithiques et boucles synchrones mono-symbole

Entre 2005 et 2013, l’agrégation de liquidité prime-of-prime et les carnets d’ordres électroniques à cours limité ont profondément remodelé le marché mondial des changes et les produits dérivés de gré à gré accessibles aux particuliers (King, Osler et Rime [6, 7]). Les écarts acheteur-vendeur sur les paires de devises majeures ont été divisés par près d’un facteur dix, offrant aux opérateurs individuels une transmission électronique instantanée de leurs ordres depuis un ordinateur personnel. Les terminaux clients de bureau, au premier rang desquels MetaTrader 4 (lancé en 2005) et MetaTrader 5 (lancé en 2010), ont standardisé cette première ère architecturale au moyen d’un exécutable Win32 en C++ à état local maintenant des sessions TCP persistantes vers le serveur de négociation d’un courtier unique.

La Génération 1 a résolu le principal goulet d’étranglement technique de sa décennie : l’accès déterministe des particuliers au marché et l’écriture locale de scripts de règles. Pourtant, dès qu’un développeur quantitatif attachait un Expert Advisor (EA) automatisé ou un indicateur personnalisé à une fenêtre graphique, l’exécution s’opérait à l’intérieur d’une boucle d’événements synchrone étroitement confinée à un seul symbole. Chaque arrivée de cotation ΔP^(s)_k sur le symbole s à l’horodatage de tick t_k déclenchait la transition d’état locale suivante :

Dans l’Équation (1), x^(s)_k désigne la mémoire tampon circulaire locale exclusivement attachée au symbole graphique s, Φ_local représente la fonction synchrone de mise à jour OnTick() exécutée sur le fil processeur du poste client, g_θ est une politique à vecteur de paramètres fixes θ calibrée hors ligne, et u^(s)_k expédie un ordre au marché ou en attente de taille q assorti d’écarts statiques de stop-loss et de take-profit directement vers le serveur du courtier.

Suivons une défaillance opérationnelle concrète de l’Équation (1) lors de la publication en direct de l’indice américain des prix à la consommation (CPI) à 13:30:00 UTC. Supposons qu’un Expert Advisor de retour à la moyenne attaché à EURUSD 15m observe une fourchette calme de 9 pips avant l’annonce et détienne un seuil paramétrique θ lui ordonnant d’acheter tout repli de 6 pips. À 13:30:01 UTC, les rendements des bons du Trésor américain à 2 ans bondissent de +18 points de base et l’Or (XAUUSD) décroche de -1,4 % en moins de 350 millisecondes sur les flux institutionnels. Aveugle aux taux obligataires, à l’Or et au texte du communiqué CPI, le tampon circulaire isolé d’EURUSD enregistre son premier tick à -6,5 pips et déclenche un OrderSend acheteur en plein cœur d’une cascade de réévaluation macroéconomique, subissant 4,2 pips de glissement à l’entrée puis l’exécution immédiate de son stop de 35 pips quelques secondes plus tard.

Deux plafonds architecturaux supplémentaires accompagnaient cette topologie d’exécution. Premièrement, les testeurs de stratégie locaux sur poste de travail favorisaient des recherches génétiques non contraintes sur grilles de paramètres historiques, cultivant un surapprentissage sévère en échantillon sans la moindre télémétrie de dérive entre backtest et marché en direct. Deuxièmement, l’onglet Account History du terminal n’enregistrait qu’un grand livre comptable plat (numéro de ticket, prix d’exécution, swap et résultat net en dollars), totalement aveugle au plan de trading à quatre clauses que l’opérateur humain s’était engagé à respecter.

Les travaux indépendants de recherche et développement quantitatifs de ForecastCity sur la géométrie des figures et la prévision multi-unités de temps ont débuté dès 2007 au cœur même de cette première ère, avant d’aboutir à un lancement commercial auprès de traders abonnés en mai 2013. Point essentiel, l’intelligence de Génération 3 ne contraint nullement les utilisateurs de MetaTrader à abandonner leurs canaux habituels d’exécution chez leur courtier. Grâce à ForecastFollow, l’inférence multimodale lourde s’exécute sur des serveurs cloud dédiés et projette nativement en direct les zones, Pivots, figures harmoniques et Flèches vertes de 4CastMachine AI sur les graphiques MetaTrader 4 et MetaTrader 5, tout en remontant automatiquement les tickets clôturés vers le cloud pour l’audit de conformité.

2. Graphes de scène cloud, langages DSL sociaux et paradoxe de la sur-rotation en boucle ouverte

Entre 2012 et 2022, le logiciel financier a connu un profond découplage entre l’interface visuelle et le courtage. Les moteurs graphiques cloud ont affranchi la visualisation des marchés des binaires C++ de bureau en diffusant des flux OHLCV multi-places normalisés via WebSockets vers des graphes de scène HTML5 Canvas et WebGL dans le navigateur. Simultanément, des langages dédiés de calcul vectoriel sur séries temporelles (illustrés par Pine Script, introduit fin 2013) ont permis à des millions d’utilisateurs de publier plus de 100 000 indicateurs rétrospectifs personnalisés, tandis que les courtiers mobiles ramenaient à zéro les commissions explicites par ordre sur actions et cryptomonnaies.

Sur le strict plan de l’infrastructure, la Génération 2 fut une réussite remarquable : la friction matérielle a disparu, les graphiques se sont affichés instantanément sur tout navigateur et la passation d’ordres est devenue immédiate. Sur le plan économique, l’industrie globale des logiciels de trading algorithmique et d’IA s’est développée vers un marché mondial convergent de 24,27 milliards de dollars (analysé dans notre étude de dimensionnement du marché), au sein duquel les systèmes décisionnels nativement fondés sur l’IA progressent désormais à près de 20 % de croissance annuelle composée (TCAC), contre 5 % à 7 % pour les outils graphiques banalisés. Pourtant, sur des dizaines de milliers de comptes particuliers autonomes, des graphiques cloud sans friction et des tickets mobiles sans commission n’ont pas amélioré la rentabilité des investisseurs et ont même aggravé les drawdowns de nombreuses cohortes.

Pour en comprendre la cause mathématique, exprimons le taux de croissance logarithmique réalisé sur plusieurs périodes g_realized d’un compte autonome exécutant N_trades allers-retours annuels au sein d’une interface en boucle ouverte :

En détaillant l’Équation (2), μ_gross désigne la dérive théorique brute avant frictions des configurations de l’opérateur, N_trades mesure le nombre annuel d’opérations, (c_ticket + c_spread + c_slip) additionne les commissions explicites ainsi que le coût implicite de l’écart acheteur-vendeur et du glissement d’exécution par transaction, η_herd(S_push) capte la perte d’antisélection induite par les listes push à forte saillance et les flux sociaux S_push, et (1/2) σ²_port représente la pénalité de variance d’Itô sur la capitalisation géométrique.

Trois études empiriques majeures évaluées par les pairs chiffrent l’ampleur exacte de chaque terme de perte de l’Équation (2). Premièrement, Barber et Odean [3] ont audité 66 465 comptes de courtage de ménages et démontré que le quintile ayant la plus forte rotation (renouvelant son portefeuille à plus de 250 % par an) a sous-performé les indices de marché de 6,5 points de pourcentage par an. Déroulons cet effet composé sur un capital de 100 000 $ pendant cinq ans : capitaliser au rendement de référence de +11,4 % porte le compte à 171 560 $, tandis que retrancher 6,5 % de pénalité annuelle de sur-rotation (soit +4,9 % net) ne laisse que 127 020 $, effaçant 44 540 $ de richesse finale par la seule fréquence d’intervention liée à l’excès de confiance. Deuxièmement, Barber, Huang, Odean et Schwarz [4] ont analysé les utilisateurs d’applications mobiles sans commission et établi que les listes saillantes de « Top Movers » synchronisaient des vagues d’achats particuliers concentrés suivies de rendements anormaux moyens de -4,7 % à 20 jours ; engager 25 % de ses fonds propres sur seulement douze épisodes d’achats dictés par l’attention en un an ampute environ -13,2 % du capital total. Troisièmement, Apesteguia, Oechssler et Weidenholzer [1] ont prouvé par des expériences économiques contrôlées que les classements sociaux et interfaces passives de copy-trading gonflent la recherche de risque extrême (σ²_port) sans transférer la moindre compétence analytique réelle. Tant la Génération 1 que la Génération 2 ont perfectionné l’acheminement des ordres tout en abandonnant l’opérateur humain dans un système en boucle ouverte non assisté.

3. Décomposition multi-agents spécialisée à 9 IA et autonomie bornée de l’opérateur

Lorsque les grands modèles de fondation ont émergé en 2023, les premiers prototypes financiers ont tenté un raccourci monolithique : déverser simultanément des tableaux bruts OHLCV, des fils de dépêches macroéconomiques, des règles de stratégie et des relevés de compte dans un unique modèle de langage conversationnel ou un réseau d’apprentissage par renforcement de bout en bout. En production financière réelle, les architectures monolithiques échouent sur trois axes d’ingénierie rédhibitoires. Premièrement, les transformeurs autorégressifs à jetons souffrent d’hallucinations géométriques et arithmétiques sur les séries continues de prix en virgule flottante et sont dépourvus de matrices calibrées de covariance d’erreur multi-horizons. Deuxièmement, mêler des fluctuations bruitées de ticks au texte clairsemé des banques centrales au sein d’une seule matrice de paramètres partagés provoque une sévère interférence entre modalités. Troisièmement, les politiques boîtes noires de bout en bout excluent toute auditabilité et ne peuvent garantir des frontières strictes de sécurité opérationnelle.

La théorie moderne des systèmes multi-agents (Wooldridge [10]) et les récents bancs d’essai académiques d’IA financière confirment que décomposer des flux complexes de marché en agents spécialisés ancrés sur des outils surpasse nettement les modèles monolithiques. L’architecture FinMem de Yu et al. [12] a démontré que séparer des profils de mémoire stratifiés à court, moyen et long horizon améliore substantiellement l’adaptation hors échantillon aux changements de régime. L’agent multimodal FinAgent de Zhang et al. présenté à ACM SIGKDD 2024 [13] a prouvé qu’associer des processeurs dédiés de lecture visuelle et numérique des graphiques à des modules de réflexion textuelle et des outils métier déterministes bat les modèles généralistes sur des classes d’actifs variées. De même, le cadre TradingAgents de Xiao et al. [11] a établi que séparer les rôles d’analyse technique, de sentiment, de gestion du risque et de revue d’exécution élimine le biais de confirmation inhérent aux requêtes monolithiques.

ForecastCity, la plateforme IA tout-en-un pour les traders (présentation de l’écosystème), incarne cette Génération 3 en répartissant l’intelligence entre 9 IA de trading spécialisées organisées en deux groupes fonctionnels distincts (quatre moteurs de lecture du marché et cinq systèmes côté opérateur) reliés par des surfaces déterministes de vérification et d’exécution, comme l’illustre la Figure 1.

Une rigueur architecturale stricte impose de distinguer clairement les IA déjà actives en production des modules inscrits sur la feuille de route :

• Quatre moteurs actifs de lecture du marché au sein de 4CastMachine AI (Quad-AI) : Forecast AI (géométrie technique multi-unités de temps), Sentiment AI (NLP d’actualité et macroéconomie en direct), Synergy AI (pondération dynamique continue des régimes produisant l’Unified Strategic Insight) et Navigator AI (Buy/Sell Zones prescriptives, invalidation Pivot, Profit/Reverse Zones et Flèches vertes ou en pointillés sur plus de 200 instruments et plus de 100 000 mises à jour prévisionnelles quotidiennes).
• Cinq systèmes côté opérateur dans la famille AI Trading : AI Trading Journal (bêta en direct sur les abonnements payants, auditant les transactions clôturées clause par clause sur la carte Strategy check) ; AI Trading Assistant (bêta en direct lancée en novembre 2026, opérateur vocal et textuel multilingue de l’espace de travail) ; AI Trading Academy (cursus multi-actifs de Phase 1 actif en 25 langues, avec progression socratique par IA de Phase 2 en cours de développement) ; accompagnés de deux modules de feuille de route actuellement en développement, AI Trading Coach (mentorat longitudinal persistant sur les habitudes individuelles) et AI Trading Community (salons collaboratifs de scénarios par symbole animés par l’IA).

Afin d’exclure toute hallucination conversationnelle ou exposition non autorisée du capital, AI Trading Assistant obéit à un invariant formel de séparation inspiré des processus de décision markoviens partiellement observables (POMDP). Notons W_t l’état de l’espace de travail, Ŷ_4CM les prévisions officielles de marché de 4CastMachine AI, a_t ∈ 𝒜 = 𝒜_read ⊔ 𝒜_imm ⊔ 𝒜_conf un appel d’outil, et h_t ∈ {0, 1} le clic explicite de confirmation humaine :

L’Équation (3) impose simultanément trois garanties déterministes de sécurité. Premièrement, ∂Ŷ_4CM / ∂a_t = 0 garantit que le modèle de langage n’invente jamais de prévisions de prix improvisées, mais lit exclusivement l’état officiel de Quad-AI via des outils en lecture seule. Deuxièmement, 𝒜 ∩ 𝒜_{broker_order} = ∅ assure que l’assistant ne transmet aucun ordre en direct chez un courtier. Troisièmement, T_policy partitionne chaque outil de l’espace de travail en trois paliers explicites d’autorisation :

Concrètement, demander « Quelle est la prévision 4h sur l’Argent ? » invoque le palier read (W_t+1 = W_t, aucune mutation). Dire « Passe la disposition sur 2 graphiques et ajoute l’ATR » s’exécute dans le palier immediate avec affichage instantané d’une pastille d’annulation en un clic Applied · Undo. Demander « Construis une stratégie de repli à partir de cette zone, balaie 300 symboles ou mets-moi en pause 30 minutes après deux pertes » déclenche le palier confirm : l’assistant affiche une carte d’aperçu structurée, ne modifie W_t que si h_t = 1, et conserve un instantané d’annulation Undo actif pendant 10 minutes. Comparons quantitativement cette latence opérationnelle : configurer manuellement un balayage multi-conditions sur une liste de 300 symboles, calculer la taille de lot correspondant à 0,75 % de risque sur fonds propres selon la valeur du pip de chaque paire de devises et assembler une stratégie à huit paramètres exige environ 14 à 18 minutes de clics répétitifs (durant lesquels la fatigue cognitive s’installe). Déléguer cette préparation via l’Équation (3) comprime le temps de mise en place sous 25 secondes tout en conservant 100 % de validation humaine sur les transitions d’état.

4. Décomposition de la déperdition comportementale et fermeture de la boucle épistémique par Variantes fantômes

Pourquoi les opérateurs discrétionnaires perdent-ils fréquemment de l’argent alors même qu’ils disposent de zones d’entrée à espérance mathématique positive et d’une exécution à faible latence ? Les études psychophysiologiques cliniques en livrent la démonstration directe. Lo, Repin et Steenbarger [8] ont mesuré en temps réel l’activation du système nerveux autonome (conductance cutanée, pouls volumétrique sanguin et fréquence cardiaque) chez des day-traders en activité et ont documenté une réactivité émotionnelle aiguë lors des poussées de volatilité. Prolongeant ces travaux cliniques au sein de salles de marchés bancaires, Fenton-O’Creevy et al. [5] ont démontré que les opérateurs seniors les plus performants régulent activement leurs impulsions émotionnelles grâce à une rétroaction analytique structurée, tandis que les profils sous-performants traduisent directement la peur et l’aversion aux pertes en clôtures prématurées des gains, en écartements de stops et en opérations impulsives de revanche après perte.

L’ingénierie des systèmes asservis (Wiener [9] ; Åström et Murray [2]) explique pourquoi les architectures de Générations 1 et 2 ne peuvent corriger cette dérive. Soit π_θ = (ϕ_entry, ϕ_SL, ϕ_TP, ϕ_mgmt) le plan de trading à quatre clauses visé par l’opérateur, et soit d_k la perturbation émotionnelle endogène lors de la transaction k. Dans un terminal en boucle ouverte, seul le rendement net réalisé R_k(u^actual_k) est enregistré, confondant l’aléa du marché avec les transgressions humaines des règles. ForecastCity sépare mathématiquement ces deux variables en faisant tourner une Variante fantôme (Shadow Variant) déterministe intacte π_θ,shadow sur les mêmes ticks en continu au sein de Virtual Accounts, tout en évaluant chaque exécution réelle sur les quatre clauses dans AI Trading Journal :

Dans l’Équation (4), E[R_shadow(π_θ)] représente l’espérance réalisée nette des coûts (après spread réaliste du courtier, commission et swap de fin de journée) du jeu de règles pur à quatre clauses π_θ, e_k,j mesure l’écart de conformité constaté sur la transaction k pour la clause j, et ΔJ_behavior quantifie la déperdition totale d’alpha d’origine comportementale exprimée en multiples de risque R.

Suivons pas à pas un audit concret d’attribution sur 50 transactions avec un risque unitaire de 200 $ par opération (1,0 R = 200 $), représenté visuellement sur la Figure 2. Supposons qu’au terme de deux mois de négociation en direct, le compte géré manuellement par l’opérateur affiche une perte nette de -840 $ (-4,2 R au total, soit -0,084 R par transaction). Dans n’importe quel terminal de Génération 1 ou de Génération 2, cette stratégie paraît défaillante. Or, la Shadow Variant parallèle exécutant les règles pures π_θ sur des cotations en direct strictement identiques a dégagé un avantage brut de +18,0 R, acquitté -2,5 R (-500 $) de frictions de spread et de swap, et engrangé +3 100 $ (+15,5 R net, soit +0,310 R par transaction), scellés dans une chaîne de hachage infalsifiable SHA-256. Le calcul de l’Équation (4) révèle ΔJ_behavior = -4,2 R - 15,5 R = -19,7 R (soit -3 940 $ de pure déperdition comportementale) : -5,2 R liés aux entrées tardives par FOMO hors des zones (e_entry), -6,0 R dus au recul du stop à deux reprises lors d’annonces (e_SL), -7,1 R causés par la coupure manuelle à +0,5 R de positions gagnantes qui ont atteint +3,0 R (e_TP), et -1,4 R imputables à l’oubli de mise à zéro du risque (e_mgmt).

5. Transmission unifiée des coordonnées à travers l’écosystème sur l’Argent en direct (XAGUSD 4h)

L’avantage d’ingénierie décisif d’un écosystème multi-agents en boucle fermée réside dans le partage de coordonnées structurelles uniques : chaque module parle exactement les mêmes niveaux mathématiques de prix au lieu de contraindre l’opérateur à recopier manuellement des cotations entre des applications déconnectées. La Figure 3 capture l’Argent en direct (XAGUSD 4h) au sein de 4CM-AI Charts avec un cours comptant établi précisément à 48.833.

Suivons cette configuration unique sur l’Argent à travers les cinq étapes opérationnelles de la boucle fermée :

1. Estimation d’état multi-échelles (4CM-AI Charts + Quad-AI) : En 4h, l’Argent demeure baissier sous 53.201 avec les horizons courts alignés à la baisse (15m baissier sous 48.940, 30m sous 48.980, 1h sous 51.167). Toutefois, l’examen du contexte des unités supérieures révèle que le graphique Journalier (D) repose au bas d’une large fourchette allant de 48.440 à 71.368, tandis que les horizons Hebdomadaire (W) et Mensuel (M) conservent un support structurel macro vers 49.810. Avec un cours comptant situé à S1 = 48.833 (à seulement 39,3 cents au-dessus du plancher journalier de 48.440), Navigator AI met immédiatement en évidence qu’ouvrir une nouvelle position vendeuse à 48.833 offre une mauvaise asymétrie, comparativement à l’attente soit d’un repli dans la Sell zone 51.277 - 53.201, soit d’une cassure confirmée sous 48.440 en direction de S2 = 45.518 et S3 = 43.118. Chiffrons directement ce contraste en multiples R : entrer vendeur sur repli à 51.800 dans la Sell zone rose contre l’invalidation structurelle Pivot = 53.201 expose 1,401 USD par once pour viser 2,967 USD à S1 = 48.833 (+2,12 R) et 6,282 USD à S2 = 45.518 (+4,48 R), alors que poursuivre tardivement le prix à 48.833 avec stop à 53.201 risque 4,368 USD pour seulement 3,315 USD jusqu’à S2 (0,76 R).
2. Compilation formelle à quatre clauses et test contrefactuel (AI Strategy Studio + Virtual Accounts) : Au sein d’AI Strategy Studio, l’opérateur compile exactement ces coordonnées en quatre clauses vérifiables par machine : Entry sur rejet baissier dans 51.277 - 53.201, Stop Loss au-dessus de Pivot = 53.201, sorties étagées de Take Profit sur S1 = 48.833, S2 = 45.518 et S3 = 43.118, et règle de Management ramenant le stop au point mort dès que S1 est atteint. Le déploiement sur un Virtual Account évalue ce jeu de règles sur les cotations en continu de l’Argent avec des coûts réalistes de spread et de swap, exécute en parallèle une Shadow Variant et scelle les résultats publics dans une chaîne de hachage SHA-256.
3. Surveillance asynchrone et garde-fous pré-transaction (Smart Alerts + AI Trading Assistant) : Plutôt que de fixer les ticks à l’écran, les Smart Alerts surveillent la borne de zone 51.277 24h/24 et 7j/7. Si l’opérateur est tenté de vendre impulsivement à 48.833 et demande à AI Trading Assistant « Suis-je dans mon plan de trading sur XAGUSD ? » (Am I in my plan on XAGUSD?), l’assistant confronte le cours en direct à la clause d’entrée compilée 51.277 - 53.201 et relève l’écart FOMO hors zone avant tout engagement du capital. Si deux stops consécutifs sont touchés, une routine automatisée de série de pertes propose une pause de refroidissement de 30 minutes.
4. Synchronisation d’exécution MetaTrader (ForecastFollow) : Pour les opérateurs qui acheminent leurs ordres réels via MetaTrader 4 ou MetaTrader 5, ForecastFollow projette nativement l’exacte Sell zone 51.277 - 53.201, le Pivot 53.201 et l’échelle S1 - S5 dans le terminal du courtier et remonte automatiquement chaque exécution vers le cloud.
5. Attribution post-transaction par clause (AI Trading Journal) : Une fois la position sur l’Argent clôturée, la carte Strategy check évalue les quatre clauses Entry, Stop Loss, Take Profit et Management (Followed, Partly followed ou Not followed), calcule l’efficacité de capture via MAE et MFE entre 51.800 et 45.518, et réinjecte des mesures objectives de discipline directement dans le cycle suivant d’amélioration de l’opérateur, constituant le socle télémétrique du mentorat longitudinal assuré par le futur AI Trading Coach.

6. Matrice d’architecture système des trois générations (2005-2026)

Questions fréquentes

Références académiques et sectorielles

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