EvolveTrade：面向自进化LLM交易智能体的经验驱动策略优化

事件

大型语言模型交易智能体能够整合行情数据、新闻与可执行分析，但其行为通常由部署前写死的静态工具调用策略控制，难以随市场状态变化调整取证、调用工具、验证信号和管理风险的方式。针对这一限制，研究团队提出EvolveTrade自进化框架，把工具型交易智能体的系统提示词视为一种文本参数化的策略，在保持底层大模型不变的前提下实现策略迭代。

具体机制是：每经过一个更新周期，一个专门的策略智能体根据累积的决策轨迹和已实现的组合收益反馈，对系统提示词进行修订，更新后的策略用于下一批交易决策，使智能体逐步改进信息获取与组合构建流程。实验覆盖多种市场行情和两种大模型底座，结果显示EvolveTrade在多数评测设置中相较固定策略基线提升了夏普比率和累计收益。

行为分析进一步表明，自进化策略会增加代码介导的分析，并激活与当前行情相关的计算；案例层面的策略到收益归因，追踪了策略引发的仓位配置变化如何带来实际收益差异。这些结果说明，让可复用的工具使用流程本身具备适应能力，是构建更稳健交易智能体的关键方向。

来源

本条目由采集管线自动抓取并发布，完整内容见下方来源链接。

*采集源：arXiv cs.AI*