EvolveTrade：基于经验驱动的 LLM 交易 Agent 自进化策略优化

arXiv:2609.17632v1 公告类型：new 摘要：大语言模型（LLM）交易 Agent 能够融合市场数据、新闻与可执行分析，但其行为往往受限于部署前即已固化的静态手写工具使用策略。这限制了它们在多变的市场环境下调整证据收集、工具调用、信号验证与风险管理方式的能力。我们提出 EvolveTrade——一个自进化框架，将使用工具的 LLM 交易 Agent 的系统提示视为一种文本参数化策略。在每个更新周期结束后，Policy Agent 利用累积的决策轨迹与已实现的投资组合反馈来修订该策略，同时保持底层 LLM 不变。更新后的策略随即用于下一批交易决策，使 Agent 能够随时间持续优化其信息获取与投资组合构建流程。在多种市场环境及两种 LLM 底座上的实验表明，EvolveTrade 相比固定策略的 LLM 基线通常能提升 Sharpe Ratio 与 Cumulative Return，并在大多数评估设置中实现了更优的 SR 与 CR。行为分析进一步显示，自进化策略会增加经代码介导的分析，并激活与市场环境相关的计算；案例层面的"策略—收益"归因则揭示了策略引发的资产配置变化如何导致实际收益差异。这些结果表明，对支配工具使用的可复用流程进行自适应优化，是构建更稳健 LLM 交易 Agent 的关键方向。