Разделение фактических и субъективных рассуждений в криптотрейдинге LLM

Сводка

В документе рассматривается, почему более мощные большие языковые модели иногда могут торговать криптовалютой менее эффективно, чем более слабые. Частично эту закономерность авторы объясняют тем, что более мощные модели отдают предпочтение фактической информации перед субъективной интерпретацией. В предложенной структуре FS-ReasoningAgent рассуждение разделяется на фактологическую и субъективную составляющие, чтобы торговые решения учитывали оба типа входных данных.

В представленных экспериментах сообщается об улучшении прибыли для BTC, ETH и SOL; указанный рост составил соответственно 7%, 2% и 10%. Согласно абляционному исследованию, субъективные новости лучше работали на бычьих рынках, а фактическая информация — на медвежьих. Эти результаты позволяют предположить, что относительная ценность двух режимов рассуждения может зависеть от рыночных условий. В документе не указаны полная схема эксперимента, период оценки, торговые издержки или результаты с поправкой на риск, что ограничивает выводы о воспроизводимости и применимости в реальной торговле.

Ключевые идеи

• В исследовании сообщается, что более мощные большие языковые модели могут уступать более слабым в торговле криптовалютами.
• Эту закономерность авторы связывают с предпочтением более мощных моделей к фактической информации перед субъективной интерпретацией.
• FS-ReasoningAgent разделяет фактологическое и субъективное рассуждение в многоагентном подходе.
• Согласно представленным результатам, показатели улучшились для BTC, ETH и SOL, хотя подробности эксперимента здесь не приводятся.
• По сообщению авторов, субъективные новости лучше работали на бычьих рынках, а фактические данные — на медвежьих.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.