多智能体交易系统基于大语言模型（LLM）正逐步进入量化金融领域，但其对对抗性输入的鲁棒性尚未得到系统评估。本文研究了LLM交易堆栈在仅通过合法社交媒体信息流进入的黑盒、输入唯一攻击下的脆弱性。
我们提出了通用多智能体交易系统（GMATS）框架，能够抽象现代多智能体交易架构，并在此基础上实例化一类黑盒投毒攻击者：攻击者将LLM视为帖子生成器，在分析师的证据流中注入预算受限、表面上看似无害的社交媒体内容。
我们定义了传播度量，包括分析师层和协调者层的信念偏移得分，以及在标准回测指标上的攻击‑清洁差值（attack‑clean delta）。在使用历史市场和社交数据的安全离线基准上进行实验，结果表明，即使是简单的输入唯一攻击也能显著削弱风险‑收益特性，Sharpe 比率大幅下降。同时，我们发现通过精心设计的多智能体拓扑结构和协调者提示，可以缓冲对抗性冲击，在相同投毒预算下提升整体鲁棒性。
点评：本研究揭示了LLM驱动的交易系统在面对看似正常的社交信息时的潜在风险，并提供了可操作的防御思路，为实际部署提供了重要参考。