Separando raciocínio factual e subjetivo no trading de criptomoedas com LLM

Resumo

O documento investiga por que modelos de linguagem grandes mais capazes às vezes podem negociar criptomoedas com menos eficácia do que modelos mais fracos. Atribui parte desse padrão à preferência dos modelos mais fortes por informações factuais em vez de interpretações subjetivas. A estrutura FS-ReasoningAgent proposta separa o raciocínio em componentes factuais e subjetivos, para que as decisões de trading possam considerar os dois tipos de informação.

Os experimentos relatados mostram melhorias nos lucros de BTC, ETH e SOL, com ganhos declarados de 7%, 2% e 10%, respectivamente. Um estudo de ablação relata que notícias subjetivas tiveram melhor desempenho em mercados de alta, enquanto informações factuais tiveram melhor desempenho em mercados de baixa. Esses resultados sugerem que o valor relativo dos dois modos de raciocínio pode depender das condições do mercado. O documento não especifica o desenho experimental completo, o período de avaliação, os custos de trading nem o desempenho ajustado ao risco, o que limita as conclusões sobre reprodutibilidade e aplicabilidade ao trading ao vivo.

Ideias principais

• O estudo relata que LLMs mais fortes podem ter desempenho inferior ao de modelos mais fracos no trading de criptomoedas.
• O estudo associa esse padrão à preferência dos modelos mais fortes por informações factuais em vez de interpretações subjetivas.
• FS-ReasoningAgent separa o raciocínio factual e subjetivo em uma abordagem multiagente.
• Os resultados relatados mostram ganhos em BTC, ETH e SOL, embora os detalhes experimentais não sejam apresentados aqui.
• Segundo o relato, notícias subjetivas funcionaram melhor em mercados de alta, enquanto informações factuais funcionaram melhor em mercados de baixa.

Tags

# 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.

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.