Faktisches und subjektives Schlussfolgern beim LLM-Kryptohandel

Zusammenfassung

Das Dokument untersucht, warum leistungsfähigere große Sprachmodelle mit Kryptowährungen manchmal weniger effektiv handeln als schwächere Modelle. Als einen Grund dafür nennt es die stärkere Neigung leistungsfähigerer Modelle, faktische Informationen subjektiven Interpretationen vorzuziehen. Das vorgeschlagene Framework FS-ReasoningAgent trennt das Schlussfolgern in faktische und subjektive Bestandteile, sodass Handelsentscheidungen auf beide Arten von Eingaben zurückgreifen können.

Die berichteten Experimente zeigen Gewinnsteigerungen bei BTC, ETH und SOL in Höhe von 7%, 2% beziehungsweise 10%. Eine Ablationsstudie berichtet, dass subjektive Nachrichten in Bullenmärkten besser abschnitten, während faktische Informationen in Bärenmärkten besser abschnitten. Diese Ergebnisse legen nahe, dass der relative Nutzen der beiden Schlussfolgerungsarten von den Marktbedingungen abhängen kann. Das Dokument nennt weder das vollständige Versuchsdesign noch den Bewertungszeitraum, die Handelskosten oder die risikobereinigte Performance. Daher sind Aussagen zur Reproduzierbarkeit und zur Anwendbarkeit im Live-Trading nur eingeschränkt möglich.

Kernaussagen

• Die Studie berichtet, dass leistungsfähigere große Sprachmodelle beim Handel mit Kryptowährungen schlechter abschneiden können als weniger leistungsfähige.
• Sie führt dieses Muster auf die Vorliebe leistungsfähigerer Modelle für faktische Informationen statt subjektiver Interpretationen zurück.
• FS-ReasoningAgent trennt in einem Multi-Agenten-Ansatz faktisches und subjektives Schlussfolgern.
• Die berichteten Ergebnisse zeigen Zugewinne bei BTC, ETH und SOL; Einzelheiten zum Versuchsaufbau fehlen hier jedoch.
• Subjektive Nachrichten schnitten Berichten zufolge in Bullenmärkten besser ab, während faktische Eingaben in Bärenmärkten besser abschnitten.

Schlagwörter

# 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.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.