论文页面 - EvolveTrade：基于经验的策略优化实现自我进化的LLM交易代理

来源：https://huggingface.co/papers/2609.17632

摘要

大型语言模型（LLM）交易代理能够整合市场数据、新闻和可执行分析，但其行为通常受静态的、预设部署的工具使用策略控制。这限制了它们在变化的市场机制下调整证据收集、工具调用、信号验证和风险管理的能力。我们提出EvolveTrade，一个自我进化框架，将使用工具的交易代理的系统提示视为文本参数化的策略。每个更新间隔后，策略代理利用累积的决策轨迹和实际的投资组合反馈来修订此策略，同时保持骨干LLM不变。更新后的策略用于下一批交易决策，使代理能够随着时间推移优化其信息获取和投资组合构建流程。跨多个市场机制和两个LLM骨干的实验表明，EvolveTrade通常能在固定的策略LLM基线上改进夏普比率和累积回报，在大多数评估设置中实现改进的SR和CR。行为分析进一步显示，自我进化策略增加了代码介导的分析并激活了与机制相关的计算；案例层面的策略-回报归因追踪了策略诱导的配置变化如何促成实现的回报差异。这些结果表明，调整管理工具使用的可重用程序是构建更稳健LLM交易代理的关键方向。

查看arXiv页面 (https://arxiv.org/abs/2609.17632)查看PDF (https://arxiv.org/pdf/2609.17632)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2609.17632)

在你的代理中获取此论文：

hf papers read 2609\.17632

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

引用此论文的模型0

没有模型链接此论文

在模型README.md中引用arxiv.org/abs/2609.17632以将其链接到此页面。

引用此论文的数据集0

没有数据集链接此论文

在数据集README.md中引用arxiv.org/abs/2609.17632以将其链接到此页面。

引用此论文的空间0

没有空间链接此论文

在空间README.md中引用arxiv.org/abs/2609.17632以将其链接到此页面。

包含此论文的收藏0

没有收藏包含此论文

将此论文添加到收藏 (https://huggingface.co/new-collection)以将其链接到此页面。