多智能体系统框架与数据介绍 [page::0][page::1][page::2]

• 使用Crew AI构建八个功能分明的代理，涵盖数据加载、清洗、分割、绩效计算、静态及动态优化等环节。

- 研究对象为2020年8月至2025年3月期间市值最大的10种加密货币，包括BTC、ETH、BNB等。

• 数据面临价格尺度差异大、波动性强等挑战，促使采用动态组合优化框架。

资产价格与收益波动特征分析 [page::3][page::4]

• 以比特币为例，价格存在显著的波动聚集现象及多次牛熊波动周期。

- 波动率的时间变异性支持选用滚动窗口动态组合优化策略。

投资策略设计与对比 [page::4][page::5][page::6]

• Crew A：静态策略，使用整个训练期数据进行均值-方差优化，权重固定。

- Crew B：动态策略，每30天滚动更新权重，最大化夏普比率。

• 两策略均不允许卖空，确保权重非负且总和为1。

- 资产权重分布见下表：

| 资产 | 均等权重 | Crew A权重 | Crew B权重 |
|-------|---------|-----------|------------|
| BTC | 0.10 | 0.0000 | 0.0955 |
| ETH | 0.10 | 0.0000 | 0.0881 |
| BNB | 0.10 | 0.0000 | 0.1213 |
| SOL | 0.10 | 0.6490 | 0.1271 |
| XRP | 0.10 | 0.0000 | 0.0772 |
| DOGE | 0.10 | 0.0411 | 0.0775 |
| ADA | 0.10 | 0.0000 | 0.0663 |
| AVAX | 0.10 | 0.0000 | 0.1848 |
| SHIB | 0.10 | 0.3099 | 0.1375 |
| DOT | 0.10 | 0.0000 | 0.0248 |

量化策略绩效比较与回测结果 [page::5][page::6][page::7][page::8][page::9]

| 指标 | 均等权重 | Crew A（静态优化） | Crew B（滚动优化） |
|---------------|----------|--------------------|--------------------|
| 训练期预期收益率 | 8% | 10% | 10% |
| 训练期波动率 | 15% | 12% | 10% |
| 训练期Sharpe比率 | 0.53 | 0.83 | 1.00 |
| 训练期Sortino比率| 0.75 | 1.10 | 1.30 |
| 最大回撤 | -20% | -15% | -15% |
| 测试期预期收益率 | 7%-9% | 9% | 8% |
| 测试期波动率 | - | 13% | 11% |
| 测试期Sharpe比率 | - | 0.69 | 0.72 |
| 测试期Sortino比率| - | 0.9 | 1.1 |
| 测试期最大回撤 | - | -18% | -18% |

• Crew B滚动优化策略在训练和测试期均表现优异，显著提升风险调整收益。

- 即使激活动态调整机制带来略增的最大回撤及交易成本风险，但整体风险收益权衡更优。

• 结果印证了在高波动加密环境下，动态组合优化的有效性和必要性。

MAS体系结构优势及局限 [page::9][page::10]

• MAS设计保证模块化、可审计及高扩展性，满足监管合规需求。

- 交易成本未纳入，资产池规模较小（10资产）是当前研究限制。

• 建议未来引入稳定币、尾部风险指标及XAI解释层以提升模型鲁棒和应用价值。

深度分析报告 — 《Building crypto portfolios with agentic AI》

---

1. 元数据与概览

报告标题： Building crypto portfolios with agentic AI
作者： Antonino Castelli, Paolo Giudici, Alessandro Piergallini
机构： 意大利帕维亚大学经济学与计算机工程系
发布日期： 论文未显示具体日期，但引用文献截至2025年，推测为2025年前后
主题： 利用多智能体系统（Multi-Agent System, MAS）及人工智能技术，自动构建和管理加密货币投资组合，比较静态投资策略与动态滚动优化策略的表现。

核心论点：
本报告探讨了通过多智能体系统（结合Crew AI平台）实现加密资产组合的自动化管理，重点比较传统静态均权与基于滚动窗口的动态优化两种投资策略。研究使用2020年至2025年间十大加密货币的日价格数据，衡量和比较两种策略基于现代组合理论指标（期望收益、Sharpe与Sortino比率、波动率等）的表现。结果显示，动态滚动优化策略在风险调整收益上明显优于静态策略，体现了动态适应性在高波动加密市场的重要作用。此外，多智能体系统方案提供了模块化、可审计且灵活的自动化投资流程，这对金融自动化具有显著应用价值。[page::0] [page::1]

---

2. 逐节深度解读

2.1 引言（Introduction）

报告指出，随着加密货币从边缘资产迅速演变为主流资产类别，其高波动性、厚尾分布和市场结构变化给投资组合构建带来了巨大挑战。传统的买入持有策略在高频高波动环境下效率有限。多智能体系统（MAS）应用于自动化投资提供了一种模块化方案，能够处理从数据处理到资产定价的全流程。

文中提及多个基于大型语言模型（LLM）的智能体应用，如TradingAgents（Xiao et al., 2025）和AAPM框架（Cheng & Chin, 2024），表明LLM智能体结合定量与定性分析，能够提升资产定价和交易策略的性能。不过在加密资产领域，实证研究依旧不足，本文旨在填补该空白，借助Crew AI实现两种不同MAS投资策略对比，验证动态资产配置优势。[page::1]

2.2 数据与MAS架构（Data & MAS Setup）

研究以2020年8月20日至2025年3月13日的1667个交易日为样本，涵盖按市值排名前十的加密货币：BTC、ETH、BNB、SOL、XRP、DOGE、ADA、AVAX、DOT、SHIB。选择这些资产基于持续的市场相关性和流动性。

表1（见下文图表分析）展示了这十种资产的均价、中位数、标准差、极值，反映极端价格量级差异（如BTC均价超4.5万美元，SHIB均价接近零），但均有类似的相对波动率特征。

MAS部分借助Crew AI搭建，包括多个功能工具（数据加载、清洗、切分、指标计算与优化等），以及8个协作智能体划分成两组任务团队（Crew A为静态优化，Crew B为动态滚动窗口优化），保证模块化与透明流程。此外，最终报告智能体负责综合分析结果，提升系统的可审计性与复现性。[page::2] [page::3]

2.3 探索性数据分析（Exploratory Data Analysis）

以比特币为代表进行了深入分析。BTC价格表现出显著的“繁荣-崩溃”形态，2021年11月达峰值，随后大幅回调。其对数收益率表现为明显的波动聚集，即波动性有时段性集中，这一现象在加密货币中普遍存在（见图2，BTC价格与收益率走势）。

这一波动性和收益率结构变化的不确定性直接挑战了传统稳态风险和相关假设，强调动态资产配置的必要性。[page::3] [page::4]

2.4 组合构建（Portfolio Construction）

4.1 Crew A：静态组合分析

Crew A作为基准策略，先采用等权分配（每资产10%），随后基于整个训练集执行一次均值-方差优化（在无短卖、完全投资约束下）来最大化Sharpe比率。优化权重固定，投资期间不调整。

Sharpe比率定义为年化超额收益$E[RM] - Rf$（无风险利率假定为零）与波动率$\sigma_M$之比，基于日数据，年化采用$\sqrt{252}$调整。

此静态策略方便设定基线性能指标，便于后续团队比较动态方法带来的改进。[page::4] [page::5]

4.2 Crew B：动态滚动优化

Crew B采用30天滚动窗口，每30天基于最近30个交易日数据重新计算最优权重，同样遵循无短卖、全额投资以及最大Sharpe比率。

滚动方法使得组合权重动态适应市场条件变化，响应加密货币特有的剧烈波动和市场结构转换，理论上提高风险调整收益的稳健性。此策略体现了MAS下强化学习与多智能体协同的优势，更符合实际资产管理的适应性需求。[page::5]

2.5 实证结果（Empirical Results）

资产权重对比（表2）

三种策略权重差异明显：

• 等权重保持0.1/资产

- Crew A静态优化集中投资于SOL（64.9%）和SHIB（30.99%），其他资产权重大多为零，说明策略偏好高风险高收益资产。

• Crew B滚动优化则较为分散，集中度低，最大权重为BNB(12.13%)、SOL(12.71%)、AVAX(18.48%)和SHIB(13.75%)，体现动态策略对资产权重的灵活调整。

[page::6]

训练集内表现（5.1节）

• 等权重：Sharpe 0.48

- Crew A优化：Sharpe 0.60，波动率从15%降至12.4%，预期收益提升

• Crew B滚动优化：Sharpe显著提升至1.00，波动率进一步降至10.2%，预期收益为9.9%

动态滚动策略在风险调整收益层面表现显著优于静态方案。[page::6]

测试集外表现（5.2节）

• Crew A Sharpe下降至0.36，表现欠佳，反映静态权重面对市场变化的适应不足。

- Crew B保持较强表现，Sharpe 0.72，波动11%，显示动态策略优越的泛化能力。

• Crew B较高的最大回撤提示风险敞口有阶段性提升，体现高风险高回报权重的波动影响。[page::6]

综合比较（5.3节，表3）

• 动态策略Crew B在所有指标均优于Crew A和等权重基线，包括预期收益、波动率、Sharpe、Sortino比率、最大回撤、流动性风险（较低）和未检测到重大市场状态变化。

- 两份团队报告（Crew A与Crew B各自生成）详细记录了策略表现并给出推荐，均倾向于优先采纳动态滚动优化策略，强调其在高波动市场环境下风险调整收益的优势。

• 报告中明确指出动态策略可能带来更频繁调整，带来交易成本和流动性风险考量，但总体利远大于弊。[page::7] [page::8] [page::9]

2.6 多智能体系统优势及局限（第6节）

• 模块化：每个智能体独立升级和维护，适应新数据和策略演进。

- 可审计：所有中间结果有记录，便于监管和责任追踪，对金融ML黑箱问题提供监控。

• 可扩展性：支持新增资产、指标和成本模型，避免单体代码复杂度。

局限性包括：

• 仅考虑前10大加密币，资产池狭窄。

- 忽视交易成本和滑点，可能过度高估动态策略优势。

• 股票滚动窗口固定30天，未探索更优时间长度。

- 未建模极端风险指标（如CVaR），忽略尾部风险影响。

这些限制为未来研究方向提供思路。[page::9] [page::10]

2.7 结论（第7节）

总结强调使用MAS架构，结合动态滚动优化策略，在实际加密资产组合构建中演示其显著优势，包括：

• 更高风险调整回报（Sharpe和Sortino比率）。

- 更低波动率和最大回撤。

• 适应市场状态变化，提升了投资组合的稳健性。

- MAS保证流程透明、模块化且适合机构环境。

未来建议引入稳定币、多状态模型与可解释AI层，进一步提升实用性和投资者信任度。动态优化与智能体设计结合，展现出应对复杂加密市场的有前景范式。[page::10]

---

3. 图表与表格深度解读

3.1 表1：加密货币描述性统计

| 资产 | 均价 (USD) | 中位数 (USD) | 标准差 | 最小值 | 最大值 |
|-------|--------|--------|---------|---------|---------|
| BTC | 45,249.89 | 41,770.30 | 21,685.75 | 15,787.28 | 106,146.27 |
| ETH | 2,443.43 | 2,316.82 | 855.93 | 993.64 | 4,812.09 |
| BNB | 396.41 | 335.07 | 152.84 | 40.99 | 750.27 |
| SOL | 87.21 | 56.34 | 69.76 | 3.69 | 261.87 |
| XRP | 0.76 | 0.56 | 0.55 | 0.25 | 3.30 |
| DOGE | 0.14 | 0.10 | 0.10 | 0.01 | 0.68 |
| ADA | 0.77 | 0.50 | 0.56 | 0.24 | 2.97 |
| AVAX | 33.52 | 25.72 | 24.40 | 8.79 | 134.53 |
| SHIB | 0 | 0 | 0 | 0 | 0.00008 |
| DOT | 12.81 | 7.02 | 11.27 | 3.65 | 53.88 |

解读：
表1展示了主流加密货币在2020-2025期间显著的价格差异。BTC均价远高于其他币种，且价格波动幅度非常大（标准差约4.8万，即约95%均价）。SHIB均价接近零，体现其低价格高波动特征。整体表明资产波动性极高且横跨极大价格级别，支持采用动态调整策略应对市场异质性。相对分散的波动性也反映了投资组合内需考虑资产间相关性与风险贡献。[page::2]

---

3.2 图2：比特币价格与收益率走势（2020-2025）

图示描述：
左图显示BTC收盘价格时间序列，有明显的周期性波动和峰值，尤其是2021年底至2022年初的价格高峰及随后大幅回落。右图为对数收益率序列，指出波动率聚集现象，即收益率的波动强度不均匀，时而高波动，时而平稳。

数据与趋势解读：

• 价格走势反映市场情绪和宏观环境的周期性变化。

- 收益率图揭示波动率集群假设，暗示需动态风险模型。

• 该图支持后续核心论点，即静态投资组合假设的不足，动态调整必要性。

此图在文中作为直观引导，说明加密资产市场波动复杂且动态变化，强化滚动优化策略的理论依据。[page::4]

---

3.3 表2：三种策略下资产权重比较

| 资产 | 等权重 | Crew A 静态优化 | Crew B 滚动优化 |
|-------|---------|-----------------|----------------|
| BTC | 0.10 | 0.000 | 0.0955 |
| ETH | 0.10 | 0.000 | 0.0881 |
| BNB | 0.10 | 0.000 | 0.1213 |
| SOL | 0.10 | 0.6490 | 0.1271 |
| XRP | 0.10 | 0.000 | 0.0772 |
| DOGE | 0.10 | 0.0411 | 0.0775 |
| ADA | 0.10 | 0.000 | 0.0663 |
| AVAX | 0.10 | 0.000 | 0.1848 |
| SHIB | 0.10 | 0.3099 | 0.1375 |
| DOT | 0.10 | 0.000 | 0.0248 |

解读：

• 等权重策略分散均匀。

- 静态优化（Crew A）高度集中于SOL（64.9%）和SHIB（30.99%），表明静态优化倾向“全押”少数高潜资产，增加集中风险。

• 动态滚动优化（Crew B）相对分散，权重分布在更多资产间，且权重周期性调整，体现风险分散与适时应对市场变化。

- Crew B中AVAX权重（18.48%）最高，显然此资产近期表现较优且策略动态捕捉该信号。

该表直观展示了策略在资产分配上的差异，验证了动态策略在风险控制与收益捕捉上的均衡优势。[page::6]

---

3.4 表3：核心投资组合指标对比

| 指标 | 等权重 | Crew A 静态优化 | Crew B 动态滚动优化 |
|----------------|---------|-----------------|-----------------|
| 预期年化收益率 | 8% | 10% | 10% |
| 年化波动率 | 15% | 12% | 10% |
| Sharpe比率 | 0.53 | 0.83 | 1.00 |
| Sortino比率 | 0.75 | 1.10 | 1.30 |
| 最大回撤 | -20% | -15% | -15% |
| 流动性风险 | 未明确 | 未明确 | 低 |
| 状态变化检测 | 未明确 | 未明确 | 无 |

数据解读：

• 动态滚动优化策略Crew B拥有最佳的风险-收益表现，Sharpe为1.00，是等权重的近2倍，说明以单位风险获得的超额收益最高。

- 腿标指标Sortino比率（只考虑下行风险）也显示动态策略更稳健。

• 波动率和最大回撤均有所下降，表明风险控制更优。

- 流动性风险只有动态策略明确评为“低”，暗示主动管理提高了资产流动性匹配。

• 无重大市场状态变化表明策略在不同市场环境下适用。

该表以指标方式全面评估策略性能，直观体现了动态策略的实际投资优势。[page::7]

---

3.5 图1：多智能体系统架构图（Crew AI）

图示描述：
图中展示了8个协作智能体按流程顺序链接：

1. Data Loader Agent

2. Data Cleaner Agent

1. Data Splitter Agent

4. Portfolio Analyst Agent

1. Portfolio Optimizer Agent（Crew A为静态，Crew B为滚动）

6. Rolling Optimizer Agent

1. Portfolio Metrics Benchmark Agent

8. Final Reports Agent

两套“Crew”分别运行各自优化器，实现静态与动态策略，并由最终报告智能体整合结果。

解读：

• 智能体设计保证了投资流程的模块化与协作，易于升级维护。

- 每个Agent定义明确功能，彼此通过交互实现任务分工。

• 设计同时兼顾了灵活性与复现性，符合现代金融科技对流程透明度和可监控性的要求。

这一架构图作为本文技术实现的核心示意，突显了人工智能与多智能体协作在金融组合管理中的潜力。[page::3]

---

4. 估值分析

报告未涉及传统意义上的公司估值或证券估值，但在投资组合优化范畴使用了经典现代组合理论（MPT）框架进行资产权重的估算和优化：

• 均值-方差优化（Mean-Variance Optimization）：通过最大化夏普比率，从收益和风险（波动性）角度平衡资产配置。

- 滚动窗口技术：动态估计未来30天收益和协方差矩阵，实时调整权重以反应市场变化。

• 无短卖假设和完全投资约束强制权重在0到1范围内且总和为1。

这些方法均基于每日历史价格计算并年化，使用$\sqrt{252}$转化年化波动。机制解释清楚有效，符合金融领域主流流程，但缺少对潜在估值/收益率模型的复杂补充建模（如非线性风险、极端事件建模）。[page::4] [page::5]

---

5. 风险因素评估

报告中明确讨论与识别以下风险因素：

• 市场风险：高波动及厚尾分布导致传统假设失效，动态策略虽能缓解，仍存在不可预测的风险。

- 流动性风险：动态策略频繁调整可能带来流动性压力，Crew B虽然流动性风险低，但增强交易频率仍需谨慎评估。

• 交易成本风险：未纳入交易费用、滑点等，这对高频调整策略可能侵蚀收益。

- 数据与模型局限：仅考虑前10资产，忽视更广泛市场；无尾部风险指标（如CVaR）建模，可能低估极端风险。

• 参数选择风险：滚动窗口固定30天，窗口选择影响策略表现，当前为经验值。

报告建议继续监控交易成本与流动性状况，密切关注市场状态变化并及时调整策略，提示风险管理不可忽视。[page::9]

---

6. 批判性视角与细微差别

• 报告整体结构严谨且数据详实，且从多层面验证动态策略优越性，论证充分。

- 然而，对交易费用的忽略可能导致实际净收益不及预期，尤其动态策略的频繁调整与高流动性需求。

• 滚动窗口的单一长度选择缺少对比测试，若市场变化周期与窗口期错配，可能引入策略表现偏差。

- 虽采用传统MPT框架，但忽视了非正态收益分布的尾部风险建模，易低估极端亏损概率。

• 部分结论基于训练-测试切分验证，未来可考虑交叉验证或不同时间窗以增强稳健性。

- MAS设计亮点在流程透明与模块化，但实际应用时，模型复杂度与数据依赖或带来维护成本增加，未详细评估。

总体来看，报告在充分展示技术创新与实证成效同时，也恰当揭示了研究的潜在限制与未来改进方向。[page::9] [page::10]

---

7. 结论性综合

本报告以详实的数据和严密的方法开发了一个基于多智能体系统的自动化加密货币投资组合管理框架。通过对过去五年内十大加密资产的价格数据进行实证分析，本文成功验证了如下关键发现：

• 动态滚动优化策略（Crew B）在周期性的市场波动和风险变化环境下，通过每30天更新权重，显著提升了投资组合的风险调整收益。其Sharpe和Sortino比率相比静态策略和等权重方法均高出显著比例，年化波动率及最大回撤均有所下降，表明更优的风险控制和收益稳定性。

- 静态优化（Crew A）虽然优于简单均权分配，但由于缺乏动态适应性，其在测试集上表现下降明显，反映了加密资产市场的非平稳性和结构性转变带来的挑战。

• MAS架构实现了投资流程的模块化与智能代理协作，支持从数据清洗、样本划分、指标计算到优化决策和报告生成的全自动化与透明化，具备较强的监管适应性和扩展空间。

- 表1数据体现加密资产价格水平和波动性跨度巨大，图2展示BTC价格与收益的非稳态波动特征，均强化了动态调整投资组合的必要性。表2的资产权重比较和表3的核心指标对比进一步佐证了动态滚动策略的优势。

• 报告明确指出未来可引入尾部风险指标、交易成本考虑、多资产组合扩展及解释性AI层，提升模型适用性和投资者信任。

综上，报告深刻且系统地演示了在复杂多变的加密货币市场中，结合智能体技术和现代投资理论的动态组合管理方案，不仅有效提升了风险调整收益，也为金融自动化提供了可审计、模块化的新范式，具有重要的理论价值和应用前景。推荐资产管理机构和学术界进一步关注与拓展此类多智能体动态投资框架。 [page::0] [page::1] [page::2] [page::3] [page::4] [page::5] [page::6] [page::7] [page::8] [page::9] [page::10]

---

附：关键图表图片展示

图1：多智能体系统架构示意图

图2：比特币价格与收益率走势图（2020-2025）

---

（全文完）

报告