Tách biệt suy luận thực tế và chủ quan trong giao dịch tiền mã hóa LLM

Tóm tắt

Tài liệu xem xét lý do các mô hình ngôn ngữ lớn có năng lực cao hơn đôi khi giao dịch tiền mã hóa kém hiệu quả hơn các mô hình yếu hơn. Tài liệu quy một phần hiện tượng này cho việc mô hình mạnh hơn ưu tiên thông tin dựa trên dữ kiện hơn cách diễn giải chủ quan. Khung FS-ReasoningAgent được đề xuất tách suy luận thành phần dựa trên dữ kiện và chủ quan để quyết định giao dịch có thể sử dụng cả hai loại đầu vào.

Các thử nghiệm được báo cáo cho thấy lợi nhuận cải thiện với BTC, ETH và SOL, với mức tăng lần lượt là 7%, 2% và 10%. Nghiên cứu loại bỏ thành phần cho biết tin tức chủ quan hoạt động tốt hơn trong thị trường tăng giá, còn thông tin thực tế hoạt động tốt hơn trong thị trường giảm giá. Những kết quả này gợi ý giá trị tương đối của hai cách suy luận có thể phụ thuộc vào điều kiện thị trường. Tài liệu không nêu đầy đủ thiết lập thực nghiệm, giai đoạn đánh giá, chi phí giao dịch hoặc hiệu quả điều chỉnh theo rủi ro, nên kết luận về khả năng tái lập và áp dụng vào giao dịch thực còn hạn chế.

Ý chính

• Nghiên cứu báo cáo rằng mô hình ngôn ngữ lớn mạnh hơn có thể hoạt động kém hơn mô hình yếu hơn khi giao dịch tiền mã hóa.
• Nghiên cứu liên hệ hiện tượng này với việc mô hình mạnh hơn ưu tiên thông tin dựa trên dữ kiện hơn cách diễn giải chủ quan.
• FS-ReasoningAgent tách suy luận thực tế và chủ quan trong một phương pháp đa tác nhân.
• Kết quả được báo cáo cho thấy mức tăng với BTC, ETH và SOL, dù ở đây không có chi tiết thực nghiệm.
• Theo báo cáo, tin tức chủ quan hiệu quả hơn trong thị trường tăng giá, còn đầu vào dựa trên dữ kiện hiệu quả hơn trong thị trường giảm giá.

Thẻ

# 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.

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.