تفکیک استدلال واقع‌محور و ذهنی در معاملات رمزارزی LLM

خلاصه

این سند بررسی می‌کند چرا مدل‌های زبانی بزرگ توانمندتر گاهی در معامله رمزارز از مدل‌های ضعیف‌تر عملکرد ضعیف‌تری دارند. بخشی از این الگو را به ترجیح مدل‌های قوی‌تر برای اطلاعات واقع‌محور به‌جای تفسیر ذهنی نسبت می‌دهد. چارچوب پیشنهادی FS-ReasoningAgent استدلال را به مؤلفه‌های واقع‌محور و ذهنی تفکیک می‌کند تا تصمیم‌های معاملاتی بتوانند از هر دو نوع ورودی استفاده کنند.

آزمایش‌های گزارش‌شده بهبود سود را برای BTC، ETH و SOL نشان می‌دهند؛ میزان افزایش به‌ترتیب 7%، 2% و 10% اعلام شده است. مطالعه حذف مؤلفه‌ها گزارش می‌کند که اخبار ذهنی در بازارهای صعودی عملکرد بهتری داشتند، در حالی که اطلاعات واقع‌محور در بازارهای نزولی بهتر عمل کردند. این نتایج نشان می‌دهند که ارزش نسبی دو شیوه استدلال ممکن است به شرایط بازار بستگی داشته باشد. سند جزئیات کامل آزمایش، دوره ارزیابی، هزینه‌های معامله یا عملکرد تعدیل‌شده بر اساس ریسک را مشخص نمی‌کند؛ بنابراین نتیجه‌گیری درباره بازتولیدپذیری و کاربرد در معامله زنده محدود است.

ایده‌های کلیدی

• مطالعه گزارش می‌کند که مدل‌های زبانی بزرگ و توانمندتر ممکن است در معاملات رمزارز از مدل‌های ضعیف‌تر عملکرد ضعیف‌تری داشته باشند.
• این الگو به ترجیح مدل‌های قوی‌تر برای اطلاعات واقع‌محور به‌جای تفسیر ذهنی پیوند داده می‌شود.
• FS-ReasoningAgent استدلال واقع‌محور و ذهنی را در رویکردی چندعاملی تفکیک می‌کند.
• نتایج گزارش‌شده برای BTC، ETH و SOL افزایش نشان می‌دهند، هرچند جزئیات آزمایش در اینجا ارائه نشده‌اند.
• طبق گزارش، اخبار ذهنی در بازارهای صعودی بهتر عمل کردند و ورودی‌های واقع‌محور در بازارهای نزولی.

برچسب‌ها

# 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.

با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0

این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.