Distinguer raisonnement factuel et subjectif dans le trading crypto avec LLM

Résumé

Le document examine pourquoi les grands modèles de langage plus performants peuvent parfois négocier des cryptomonnaies moins efficacement que des modèles plus faibles. Il attribue en partie ce phénomène à la préférence des modèles plus puissants pour les informations factuelles au détriment de l’interprétation subjective. Le cadre FS-ReasoningAgent proposé sépare le raisonnement en composantes factuelle et subjective afin que les décisions de trading puissent s’appuyer sur les deux types de données.

Les expériences rapportées montrent des améliorations des profits pour BTC, ETH et SOL, avec des gains indiqués de 7%, 2% et 10%, respectivement. Une étude d’ablation rapporte que les informations subjectives issues de l’actualité ont donné de meilleurs résultats sur les marchés haussiers, tandis que les informations factuelles ont mieux fonctionné sur les marchés baissiers. Ces résultats suggèrent que la valeur relative des deux modes de raisonnement peut dépendre des conditions de marché. Le document ne précise ni le protocole expérimental complet, ni la période d’évaluation, ni les coûts de trading ou la performance ajustée du risque, ce qui limite les conclusions sur la reproductibilité et l’applicabilité au trading en réel.

Idées clés

• L’étude rapporte que des grands modèles de langage plus puissants peuvent être moins performants que des modèles plus faibles dans le trading de cryptomonnaies.
• Elle relie ce phénomène à la préférence des modèles plus puissants pour les informations factuelles plutôt que l’interprétation subjective.
• FS-ReasoningAgent sépare le raisonnement factuel et subjectif dans une approche multi-agents.
• Les résultats rapportés montrent des gains pour BTC, ETH et SOL, mais les détails expérimentaux ne sont pas fournis ici.
• Selon les résultats rapportés, les informations subjectives issues de l’actualité fonctionnent mieux sur les marchés haussiers, tandis que les données factuelles sont plus efficaces sur les marchés baissiers.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.