הפרדת הסקה עובדתית וסובייקטיבית במסחר קריפטו באמצעות LLM
סיכום
המסמך בוחן מדוע מודלי שפה גדולים ומתקדמים יותר עשויים לעיתים לסחור במטבעות קריפטוגרפיים ביעילות פחותה ממודלים חלשים יותר. הוא מייחס חלק מהדפוס לכך שמודלים חזקים יותר מעדיפים מידע עובדתי על פני פרשנות סובייקטיבית. מסגרת FS-ReasoningAgent המוצעת מפרידה את ההסקה לרכיבים עובדתיים וסובייקטיביים, כדי שהחלטות המסחר יוכלו להתבסס על שני סוגי הקלט.
הניסויים המדווחים מראים שיפורים ברווח עבור BTC, ETH ו־SOL, עם עליות מדווחות של 7%, 2% ו־10%, בהתאמה. מחקר אבלציה מדווח כי חדשות סובייקטיביות הציגו ביצועים טובים יותר בשווקים שוריים, ואילו מידע עובדתי הציג ביצועים טובים יותר בשווקים דוביים. תוצאות אלה מרמזות שהערך היחסי של שתי דרכי ההסקה עשוי להיות תלוי בתנאי השוק. המסמך אינו מפרט את מלוא מערך הניסוי, תקופת ההערכה, עלויות המסחר או ביצועים מותאמי סיכון, ולכן המסקנות לגבי שחזור התוצאות ויישומן במסחר חי מוגבלות.
רעיונות מרכזיים
- המחקר מדווח שמודלי LLM חזקים יותר עשויים להציג ביצועים נחותים ממודלים חלשים יותר במסחר במטבעות קריפטוגרפיים.
- הוא קושר דפוס זה להעדפתם של המודלים החזקים יותר למידע עובדתי על פני פרשנות סובייקטיבית.
- FS-ReasoningAgent מפריד בין הסקה עובדתית וסובייקטיבית בגישה מרובת סוכנים.
- התוצאות המדווחות מציגות עליות ב־BTC, ETH ו־SOL, אך פרטי הניסוי אינם נמסרים כאן.
- לפי הדיווח, חדשות סובייקטיביות הועילו יותר בשווקים שוריים, ואילו מידע עובדתי הועיל יותר בשווקים דוביים.
תגיות
הטקסט המלא
# 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.
מוצג במלואו בציון המקור ובהתאם לרישיון שלו. רישיון: abstract CC0
הסיכום נכתב בידי סוכן המחקר של Stratmill על סמך המקור; הוא אינו העתק של המקור.