Agente reflexivo de LLM para trading de criptomoedas sem exemplos prévios

Resumo

O documento descreve CryptoTrade, um agente de trading de criptomoedas baseado em um modelo de linguagem grande. Sua abordagem combina informações on-chain, que os autores caracterizam como transparentes e imutáveis, com sinais off-chain, como notícias, que podem oferecer contexto oportuno. Um mecanismo reflexivo revisa os resultados de decisões anteriores para orientar as escolhas diárias de trading do agente, permitindo que seu processo incorpore feedback das negociações sem depender apenas de uma referência convencional de séries temporais.

Os autores relatam experimentos com várias criptomoedas e condições de mercado, afirmando que CryptoTrade obteve retornos maiores que estratégias tradicionais e referências de séries temporais. A descrição fornecida não identifica os ativos, o período de avaliação, a métrica de retorno, os custos de transação, os resultados ajustados ao risco nem as salvaguardas contra vazamento de dados. Portanto, a afirmação de desempenho deve ser entendida como um resumo dos experimentos relatados, e não como evidência de que o agente se generalizará para operações em mercado real ou outros regimes de mercado.

Ideias principais

• CryptoTrade combina dados on-chain com informações off-chain, como notícias.
• Um mecanismo reflexivo usa os resultados de operações anteriores para orientar decisões diárias posteriores.
• Os autores relatam experimentos com várias criptomoedas e condições de mercado.
• Eles afirmam que os retornos foram maiores que os de estratégias tradicionais e referências de séries temporais.
• A descrição fornecida omite detalhes da avaliação necessários para analisar o risco e a generalização para mercados reais.

Tags

# 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/.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.