Un agente LLM reflexivo para trading cripto sin ejemplos previos

Resumen

El documento describe CryptoTrade, un agente de trading de criptomonedas basado en un modelo de lenguaje grande. Su enfoque combina información on-chain, que los autores califican de transparente e inmutable, con señales off-chain como las noticias, que pueden aportar contexto oportuno. Un mecanismo reflexivo revisa los resultados de decisiones anteriores para orientar las decisiones diarias de trading del agente, lo que permite incorporar retroalimentación del trading sin depender únicamente de una referencia convencional de series temporales.

Los autores informan de experimentos con varias criptomonedas y condiciones de mercado, y afirman que CryptoTrade obtuvo rendimientos superiores a los de estrategias tradicionales y referencias de series temporales. La descripción proporcionada no identifica los activos, el periodo de evaluación, la métrica de rendimiento, los costes de transacción, los resultados ajustados al riesgo ni las salvaguardas contra la filtración de datos. Por tanto, la afirmación sobre el rendimiento debe leerse como un resumen de los experimentos comunicados, no como evidencia de que el agente vaya a generalizar al trading en vivo o a otros regímenes de mercado.

Ideas clave

• CryptoTrade combina datos on-chain con información off-chain, como las noticias.
• Un mecanismo reflexivo usa los resultados de operaciones anteriores para orientar decisiones diarias posteriores.
• Los autores informan de experimentos con varias criptomonedas y condiciones de mercado.
• Afirman que obtuvo rendimientos superiores a los de estrategias tradicionales y referencias de series temporales.
• La descripción no incluye los detalles de evaluación necesarios para valorar el riesgo y la generalización a mercados en vivo.

Etiquetas

# A Reflective LLM-based Agent to Guide Zero-shot Cryptocurrency Trading


# A Reflective LLM-based Agent to Guide Zero-shot Cryptocurrency Trading









The utilization of Large Language Models (LLMs) in financial trading has primarily been concentrated within the stock market, aiding in economic and financial decisions. Yet, the unique opportunities presented by the cryptocurrency market, noted for its on-chain data's transparency and the critical influence of off-chain signals like news, remain largely untapped by LLMs. This work aims to bridge the gap by developing an LLM-based trading agent, CryptoTrade, which uniquely combines the analysis of on-chain and off-chain data. This approach leverages the transparency and immutability of on-chain data, as well as the timeliness and influence of off-chain signals, providing a comprehensive overview of the cryptocurrency market. CryptoTrade incorporates a reflective mechanism specifically engineered to refine its daily trading decisions by analyzing the outcomes of prior trading decisions. This research makes two significant contributions. Firstly, it broadens the applicability of LLMs to the domain of cryptocurrency trading. Secondly, it establishes a benchmark for cryptocurrency trading strategies. Through extensive experiments, CryptoTrade has demonstrated superior performance in maximizing returns compared to traditional trading strategies and time-series baselines across various cryptocurrencies and market conditions. Our code and data are available at https://anonymous.4open.science/r/CryptoTrade-Public-92FC/.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.