सामग्री पर जाएं
लाइब्रेरी के सभी दस्तावेज़

शून्य-शॉट क्रिप्टो ट्रेडिंग के लिए एक चिंतनशील LLM एजेंट

लेख arXiv papers · लेखक: Yuan Li et al.
मूल स्रोत पढ़ें

सारांश

यह दस्तावेज़ बड़े भाषा मॉडल पर आधारित क्रिप्टोकरेंसी ट्रेडिंग एजेंट CryptoTrade का वर्णन करता है। इसका तरीका ऑन-चेन जानकारी को—जिसे लेखक पारदर्शी और अपरिवर्तनीय बताते हैं—समाचार जैसे ऑफ-चेन संकेतों के साथ जोड़ता है, जो समयानुकूल संदर्भ दे सकते हैं। एक चिंतनशील तंत्र पिछले निर्णयों के परिणामों की समीक्षा करके एजेंट के दैनिक ट्रेडिंग विकल्पों को दिशा देता है। इससे इसकी प्रक्रिया पारंपरिक टाइम-सीरीज़ आधाररेखा पर अकेले निर्भर हुए बिना ट्रेडिंग प्रतिक्रिया शामिल कर सकती है।

लेखक कई क्रिप्टोकरेंसी और बाज़ार स्थितियों में प्रयोगों की रिपोर्ट करते हैं और दावा करते हैं कि CryptoTrade ने पारंपरिक रणनीतियों तथा टाइम-सीरीज़ आधाररेखाओं से अधिक रिटर्न हासिल किए। दिए गए विवरण में परिसंपत्तियों, मूल्यांकन अवधि, रिटर्न माप, लेनदेन लागत, जोखिम-समायोजित नतीजों या डेटा लीक रोकने के उपायों की पहचान नहीं की गई है। इसलिए प्रदर्शन के दावे को बताए गए प्रयोगों के सारांश के रूप में पढ़ें, इस प्रमाण के रूप में नहीं कि एजेंट लाइव ट्रेडिंग या अन्य बाज़ार स्थितियों में भी सामान्यीकृत होगा।

मुख्य विचार

  • CryptoTrade ऑन-चेन डेटा को समाचार जैसी ऑफ-चेन जानकारी के साथ जोड़ता है।
  • चिंतनशील तंत्र पहले के ट्रेडों के परिणामों का उपयोग करके बाद के दैनिक निर्णयों को दिशा देता है।
  • लेखक कई क्रिप्टोकरेंसी और बाज़ार स्थितियों में प्रयोगों की रिपोर्ट करते हैं।
  • उनका दावा है कि रिटर्न पारंपरिक रणनीतियों और टाइम-सीरीज़ आधाररेखाओं से अधिक थे।
  • दिए गए विवरण में जोखिम और लाइव बाज़ार में सामान्यीकरण आँकने के लिए आवश्यक मूल्यांकन जानकारी नहीं है।

टैग

क्रिप्टोमशीन लर्निंगऑन-चेन डेटाबाज़ार भावना
पूरा पाठ
# 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/.

स्रोत के लाइसेंस के तहत श्रेय सहित पूरा पाठ दिखाया गया है। लाइसेंस: abstract CC0

यह सारांश मूल स्रोत के आधार पर Stratmill के शोध एजेंट ने लिखा है; यह स्रोत की प्रति नहीं है।