सामग्री पर जाएं
लाइब्रेरी के सभी दस्तावेज़

LLM क्रिप्टो ट्रेडिंग में तथ्यपरक और व्यक्तिपरक तर्क को अलग करना

लेख arXiv papers · लेखक: Qian Wang et al.
मूल स्रोत पढ़ें

सारांश

यह दस्तावेज़ जाँचता है कि अधिक सक्षम बड़े भाषा मॉडल कभी-कभी कमज़ोर मॉडलों की तुलना में क्रिप्टोकरेंसी की ट्रेडिंग कम प्रभावी ढंग से क्यों कर सकते हैं। यह इस पैटर्न के एक कारण के रूप में अधिक सक्षम मॉडलों की तथ्यात्मक जानकारी को व्यक्तिपरक व्याख्या से अधिक प्राथमिकता देने की प्रवृत्ति बताता है। प्रस्तावित FS-ReasoningAgent ढाँचा तर्क को तथ्यपरक और व्यक्तिपरक घटकों में बाँटता है, ताकि ट्रेडिंग निर्णय दोनों तरह के इनपुट पर आधारित हो सकें।

बताए गए प्रयोगों में BTC, ETH और SOL के लिए लाभ में क्रमशः 7%, 2% और 10% की वृद्धि दिखाई गई है। एब्लेशन अध्ययन के अनुसार, बुल बाज़ार में व्यक्तिपरक समाचार बेहतर रहे, जबकि बेयर बाज़ार में तथ्यात्मक जानकारी बेहतर रही। ये परिणाम बताते हैं कि तर्क के दोनों तरीकों का सापेक्ष मूल्य बाज़ार स्थितियों पर निर्भर हो सकता है। दस्तावेज़ पूरा प्रयोगात्मक ढाँचा, मूल्यांकन अवधि, ट्रेडिंग लागत या जोखिम-समायोजित प्रदर्शन निर्दिष्ट नहीं करता, जिससे पुनरुत्पादनीयता और लाइव ट्रेडिंग में प्रयोज्यता पर निष्कर्ष सीमित रहते हैं।

मुख्य विचार

  • अध्ययन बताता है कि क्रिप्टोकरेंसी ट्रेडिंग में अधिक सक्षम LLM कमज़ोर मॉडलों से खराब प्रदर्शन कर सकते हैं।
  • यह पैटर्न अधिक सक्षम मॉडलों की व्यक्तिपरक व्याख्या के बजाय तथ्यात्मक जानकारी को प्राथमिकता देने से जुड़ा है।
  • FS-ReasoningAgent बहु-एजेंट तरीके में तथ्यपरक और व्यक्तिपरक तर्क को अलग करता है।
  • बताए गए परिणाम BTC, ETH और SOL में लाभ दिखाते हैं, हालांकि यहाँ प्रयोग विवरण नहीं दिए गए हैं।
  • बताया गया है कि बुल बाज़ार में व्यक्तिपरक समाचार और बेयर बाज़ार में तथ्यपरक इनपुट बेहतर रहे।

टैग

क्रिप्टोमशीन लर्निंगबाज़ार भावनाबैकटेस्टिंग
पूरा पाठ
# 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.

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।