کرپٹو ٹریڈنگ میں LLM استدلال

مضمون arXiv papers · مصنف: Qian Wang et al.

خلاصہ

یہ دستاویز دیکھتی ہے کہ زیادہ قابل بڑے لسانی ماڈل کبھی کبھی کمزور ماڈلز کے مقابلے میں کرپٹو کرنسی کی کم مؤثر ٹریڈنگ کیوں کرتے ہیں۔ اس رجحان کی ایک وجہ یہ بتائی گئی ہے کہ زیادہ مضبوط ماڈل موضوعی تشریح کے مقابلے میں حقائق پر مبنی معلومات کو ترجیح دیتے ہیں۔ مجوزہ FS-ReasoningAgent فریم ورک استدلال کو حقائق پر مبنی اور موضوعی اجزا میں تقسیم کرتا ہے تاکہ ٹریڈنگ کے فیصلے دونوں طرح کے اِن پٹ سے فائدہ اٹھا سکیں۔

رپورٹ کردہ تجربات میں BTC، ETH اور SOL کے منافع میں بالترتیب 7%، 2% اور 10% کا اضافہ دکھایا گیا ہے۔ ایک ایبلیشن مطالعے کے مطابق تیزی کی منڈیوں میں موضوعی خبریں بہتر رہیں، جبکہ مندی کی منڈیوں میں حقائق پر مبنی معلومات بہتر رہیں۔ یہ نتائج بتاتے ہیں کہ استدلال کے ان دونوں طریقوں کی نسبتی قدر مارکیٹ کے حالات پر منحصر ہو سکتی ہے۔ دستاویز میں تجربے کی مکمل ترتیب، جائزے کی مدت، ٹریڈنگ کے اخراجات یا خطرے کے مطابق کارکردگی بیان نہیں کی گئی، اس لیے نتائج کی تکرار اور لائیو ٹریڈنگ میں اطلاق کے بارے میں نتیجہ اخذ کرنا محدود ہے۔

اہم خیالات

مطالعے کے مطابق کرپٹو کرنسی کی ٹریڈنگ میں مضبوط LLMs کمزور ماڈلز سے کم کارکردگی دکھا سکتے ہیں۔
اس رجحان کو مضبوط ماڈلز کی موضوعی تشریح کے مقابلے میں حقائق پر مبنی معلومات کی ترجیح سے جوڑا گیا ہے۔
FS-ReasoningAgent کثیر ایجنٹ طریقۂ کار میں حقائق پر مبنی اور موضوعی استدلال کو الگ کرتا ہے۔
رپورٹ کردہ نتائج میں BTC، ETH اور SOL کے لیے فوائد دکھائے گئے ہیں، اگرچہ یہاں تجربے کی تفصیلات نہیں دی گئیں۔
رپورٹ کے مطابق تیزی کی منڈیوں میں موضوعی خبریں بہتر رہیں، جبکہ مندی کی منڈیوں میں حقائق پر مبنی معلومات بہتر رہیں۔

ٹیگز

کرپٹو مشین لرننگ مارکیٹ کا مزاج بیک ٹیسٹنگ

مکمل متن

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔

کرپٹو ٹریڈنگ میں LLM کے حقائق پر مبنی اور موضوعی استدلال

خلاصہ

اہم خیالات

ٹیگز