Paper page - AI-Trader: Benchmarking Autonomous Agents in Real-Time Financial Markets

Source: https://huggingface.co/papers/2512.10971

Abstract

AI-Trader 提供了首个全自动实时基准测试，用于评估大语言模型在多个市场中进行金融决策的能力，其中包含自主信息处理。

大语言模型 (https://huggingface.co/papers?q=Large%20Language%20Models)（LLMs）作为自主智能体 (https://huggingface.co/papers?q=autonomous%20agents) 展现出了巨大的潜力，通过先进的推理能力和工具编排，其表现已接近人类专家水平。然而，在完全动态且实时环境中的决策仍然极具挑战性，这需要实时的信息整合 (https://huggingface.co/papers?q=information%20integration) 和适应性响应。虽然现有的研究已经探索了结构化任务中的实时评估 (https://huggingface.co/papers?q=live%20evaluation) 机制，但在现实世界应用方面的系统性基准测试 (https://huggingface.co/papers?q=benchmarking) 方面仍存在关键空白，尤其是在金融领域，该领域对实时战略响应有着严格的要求。为了解决这一空白，我们引入了 AI-Trader，这是第一个完全自动化、实时且数据未污染的基准测试，用于评估 LLM 智能体在金融决策 (https://huggingface.co/papers?q=financial%20decision-making) 方面的表现。AI-Trader 涵盖三大金融市场：美股、A股和加密货币，并具有多种交易粒度以模拟实时金融环境。我们的基准测试实施了一种革命性的完全自主最小信息范式，在此范式中，智能体仅接收必要的上下文信息，必须独立搜索、验证并综合实时市场信息，而无需人工干预。我们评估了六款主流 LLM 在三个市场和多种交易频率下的表现。我们的分析揭示了惊人的发现：通用智力并不会自动转化为有效的交易能力，大多数智能体表现出较差的收益和薄弱的风险管理 (https://huggingface.co/papers?q=risk%20management)。我们证明，风险控制能力决定了跨市场的稳健性，并且 AI 交易策略 (https://huggingface.co/papers?q=trading%20strategies) 在高流动性市场中比在政策驱动型环境中更容易实现超额收益。这些发现揭示了当前自主智能体 (https://huggingface.co/papers?q=autonomous%20agents) 的关键局限性，并为未来的改进提供了明确的方向。代码和评估数据已开源，以促进社区研究：https://github.com/HKUDS/AI-Trader。

查看 arXiv 页面 (https://arxiv.org/abs/2512.10971)查看 PDF (https://arxiv.org/pdf/2512.10971)项目页面 (https://ai4trade.ai/)GitHub14.3kauto (https://github.com/HKUDS/AI-Trader)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2512.10971)

在您的智能体中获取这篇论文：

hf papers read 2512\.10971

还没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模式0

没有链接到此论文的模式

在模型 README.md 中引用 arxiv.org/abs/2512.10971 以从此页面建立链接。

引用此论文的数据集1

T1anyu/AI-Trader 更新于 2025年12月19日 • 228 (https://huggingface.co/datasets/T1anyu/AI-Trader)

引用此论文的 Spaces0

没有链接到此论文的 Space

在 Space README.md 中引用 arxiv.org/abs/2512.10971 以从此页面建立链接。

包含此论文的集合4