EvolveTrade：针对自我进化 LLM 交易代理的经验驱动政策细化

摘要

arXiv:2609.17632v1 Announce Type: new Abstract: Large language model (LLM) trading agents can combine market data, news, and executable analysis, but their behavior is often controlled by static hand-...

and the policy LLM that trading market tool fixed agents

2026-09-17 1 阅读约1分钟阅读 Sehee Kim, Yumin Choi, Minki Kang, Sung Ju Hwang

arXiv:2609.17632v1 公告类型：新摘要：大型语言模型 (LLM) 交易代理可以结合市场数据、新闻和可执行分析，但它们的行为通常由部署前固定的静态手写工具使用策略控制。这限制了他们在不断变化的市场体制下调整收集证据、调用工具、验证信号和管理风险的能力。我们引入了 EvolveTrade，这是一个自我进化的框架，它将使用工具的交易代理的系统提示视为文本参数化策略。在每个更新间隔之后，策略代理会使用累积的决策轨迹和实现的投资组合反馈来修改此策略，同时保持骨干 LLM 固定。然后，更新后的策略将用于下一批交易决策，使代理能够随着时间的推移完善其信息获取和投资组合构建程序。跨多个市场制度和两个 LLM 主干的实验表明，EvolveTrade 通常会比固定政策 LLM 基线提高夏普比率和累积回报，在大多数评估环境中实现改进的 SR 和 CR。行为分析进一步表明，自我演化的策略增加了代码中介分析并激活了与政权相关的计算；案例层面的政策回报归因追踪政策引发的分配变化如何导致实现的回报差异。这些结果表明，调整可重复使用的程序来管理工具的使用是构建更强大的 LLM 交易代理的关键方向。

订阅66必读