فصل الاستدلال الواقعي والذاتي في تداول العملات الرقمية باستخدام LLM

الملخص

تبحث الوثيقة في أسباب احتمال أن تتداول نماذج اللغة الكبيرة الأكثر قدرة العملات الرقمية بفاعلية أقل أحيانًا من النماذج الأضعف. وتعزو جزءًا من هذا النمط إلى تفضيل النماذج الأقوى المعلومات الواقعية على التفسير الذاتي. ويفصل إطار FS-ReasoningAgent المقترح الاستدلال إلى مكوّنين واقعي وذاتي، كي تستند قرارات التداول إلى كلا النوعين من المدخلات.

تظهر التجارب المبلغ عنها تحسنًا في الأرباح لـBTC وETH وSOL، بمكاسب معلنة قدرها 7% و2% و10% على التوالي. وتذكر دراسة الاستئصال أن الأخبار الذاتية حققت أداءً أفضل في الأسواق الصاعدة، بينما حققت المعلومات الواقعية أداءً أفضل في الأسواق الهابطة. وتشير هذه النتائج إلى أن القيمة النسبية لنمطي الاستدلال قد تعتمد على ظروف السوق. ولا تحدد الوثيقة الإعداد التجريبي الكامل أو فترة التقييم أو تكاليف التداول أو الأداء المعدل حسب المخاطر، ما يحد من الاستنتاجات بشأن قابلية إعادة النتائج وتطبيقها في التداول الفعلي.

الأفكار الرئيسية

• تذكر الدراسة أن النماذج اللغوية الكبيرة الأقوى قد يكون أداؤها أدنى من الأضعف في تداول العملات الرقمية.
• تربط الدراسة هذا النمط بتفضيل النماذج الأقوى المعلومات الواقعية على التفسير الذاتي.
• يفصل FS-ReasoningAgent الاستدلال الواقعي والذاتي ضمن نهج متعدد الوكلاء.
• تظهر النتائج المبلغ عنها مكاسب في BTC وETH وSOL، لكن التفاصيل التجريبية غير متاحة هنا.
• يُذكر أن أداء الأخبار الذاتية كان أفضل في الأسواق الصاعدة، بينما كان أداء المدخلات الواقعية أفضل في الأسواق الهابطة.

الوسوم

# Exploring LLM Cryptocurrency Trading Through Fact-Subjectivity Aware Reasoning


# Exploring LLM Cryptocurrency Trading Through Fact-Subjectivity Aware Reasoning









While many studies show that more advanced LLMs excel in tasks such as mathematics and coding, we observe that in cryptocurrency trading, stronger LLMs sometimes underperform compared to weaker ones. To investigate this counterintuitive phenomenon, we examine how LLMs reason when making trading decisions. Our findings reveal that (1) stronger LLMs show a preference for factual information over subjectivity; (2) separating the reasoning process into factual and subjective components leads to higher profits. Building on these insights, we propose a multi-agent framework, FS-ReasoningAgent, which enables LLMs to recognize and learn from both factual and subjective reasoning. Extensive experiments demonstrate that this fine-grained reasoning approach enhances LLM trading performance in cryptocurrency markets, yielding profit improvements of 7\% in BTC, 2\% in ETH, and 10\% in SOL. Additionally, an ablation study reveals that relying on subjective news generates higher returns in bull markets, while focusing on factual information yields better results in bear markets. Code is available at https://github.com/Persdre/FS-ReasoningAgent.

يُعرض النص كاملًا مع نسبه إلى مصدره وفقًا لترخيصه. الترخيص: abstract CC0

أعدّ وكيل الأبحاث في Stratmill هذا الملخص استنادًا إلى المصدر الأصلي؛ وهو ليس نسخة منه.