Razonamiento objetivo y subjetivo en el trading cripto con LLM

Resumen

El documento examina por qué los modelos de lenguaje grandes más capaces a veces pueden operar con criptomonedas con menos eficacia que los modelos más débiles. Atribuye parte de este patrón a la preferencia de los modelos más potentes por la información objetiva frente a la interpretación subjetiva. El marco FS-ReasoningAgent propuesto separa el razonamiento en componentes objetivos y subjetivos para que las decisiones de trading puedan utilizar ambos tipos de información.

Los experimentos comunicados muestran mejoras en los beneficios de BTC, ETH y SOL, con ganancias indicadas de 7%, 2% y 10%, respectivamente. Un estudio de ablación indica que las noticias subjetivas dieron mejores resultados en mercados alcistas, mientras que la información objetiva funcionó mejor en mercados bajistas. Estos resultados sugieren que el valor relativo de ambos modos de razonamiento puede depender de las condiciones del mercado. El documento no especifica el diseño experimental completo, el periodo de evaluación, los costes de trading ni el rendimiento ajustado al riesgo, lo que limita las conclusiones sobre la reproducibilidad y la aplicabilidad al trading en vivo.

Ideas clave

• El estudio informa que los modelos de lenguaje grandes más potentes pueden rendir peor que los más débiles al operar con criptomonedas.
• Relaciona este patrón con la preferencia de los modelos más potentes por la información objetiva frente a la interpretación subjetiva.
• FS-ReasoningAgent separa el razonamiento objetivo y subjetivo dentro de un enfoque multiagente.
• Los resultados comunicados muestran ganancias en BTC, ETH y SOL, aunque aquí no se ofrecen los detalles experimentales.
• Según se informa, las noticias subjetivas funcionaron mejor en mercados alcistas y los datos objetivos, en mercados bajistas.

Etiquetas

# 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.

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.