Tác nhân LLM có cơ chế tự đánh giá để giao dịch tiền mã hóa zero-shot

Tóm tắt

Tài liệu mô tả CryptoTrade, một tác nhân giao dịch tiền mã hóa được xây dựng dựa trên mô hình ngôn ngữ lớn. Phương pháp kết hợp thông tin trên chuỗi, được các tác giả mô tả là minh bạch và bất biến, với tín hiệu ngoài chuỗi như tin tức, vốn có thể cung cấp bối cảnh kịp thời. Một cơ chế tự đánh giá xem xét kết quả của các quyết định trước đó để định hướng lựa chọn giao dịch hằng ngày của tác nhân, giúp quy trình đưa phản hồi giao dịch vào sử dụng mà không chỉ dựa vào một mô hình chuẩn chuỗi thời gian thông thường.

Các tác giả báo cáo thử nghiệm trên nhiều loại tiền mã hóa và điều kiện thị trường, đồng thời tuyên bố CryptoTrade đạt lợi suất cao hơn các chiến lược truyền thống và mô hình chuẩn chuỗi thời gian. Phần mô tả được cung cấp không xác định tài sản, giai đoạn đánh giá, thước đo lợi suất, chi phí giao dịch, kết quả đã điều chỉnh theo rủi ro hay biện pháp bảo vệ chống rò rỉ dữ liệu. Vì vậy, tuyên bố về hiệu quả nên được đọc như phần tóm lược các thử nghiệm được báo cáo, chứ không phải bằng chứng cho thấy tác nhân này có thể khái quát hóa sang giao dịch thực hoặc các chế độ thị trường khác.

Ý chính

• CryptoTrade kết hợp dữ liệu trên chuỗi với thông tin ngoài chuỗi như tin tức.
• Cơ chế tự đánh giá dựa trên kết quả các giao dịch trước đó để định hướng những quyết định hằng ngày sau này.
• Các tác giả báo cáo thử nghiệm trên một số loại tiền mã hóa và điều kiện thị trường.
• Họ tuyên bố lợi suất cao hơn các chiến lược truyền thống và mô hình chuẩn chuỗi thời gian.
• Mô tả được cung cấp thiếu các chi tiết đánh giá cần thiết để xác định rủi ro và khả năng áp dụng sang thị trường thực.

Thẻ

# 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/.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.