[论文解读] Large Language Model Agent in Financial Trading: A Survey

Han Ding, Yinheng Li+4 more|arXiv (Cornell University)|Jul 26, 2024

Stock Market Forecasting Methods被引用 9

一句话总结

本论文综述了大语言模型（LLMs）在金融市场中作为交易代理或阿尔法矿工的应用，概述了架构、数据输入、回测表现和挑战。

ABSTRACT

Trading is a highly competitive task that requires a combination of strategy, knowledge, and psychological fortitude. With the recent success of large language models(LLMs), it is appealing to apply the emerging intelligence of LLM agents in this competitive arena and understanding if they can outperform professional traders. In this survey, we provide a comprehensive review of the current research on using LLMs as agents in financial trading. We summarize the common architecture used in the agent, the data inputs, and the performance of LLM trading agents in backtesting as well as the challenges presented in these research. This survey aims to provide insights into the current state of LLM-based financial trading agents and outline future research directions in this field.

研究动机与目标

• 识别基于LLM的交易代理的常见架构（LLM 作为交易者 vs LLM 作为阿尔法矿工）及其理由。
• 整理LLM交易代理使用的数据输入（数值、文本、视觉、仿真）及其处理方法。
• 回顾回测表现、评估指标和基线，以评估金融领域的LLM代理。
• 突出局限性、LLM选择的当前趋势，并提出未来研究的方向。

提出的方法

• 系统性地评审27篇关于金融交易的LLM论文。
• 将架构分为两大类：LLM 作为交易者和 LLM 作为阿尔法矿工。
• 将数据输入归纳为四类：数值、文本、视觉、仿真。
• 总结评估方法，包括回测、指标和基线。
• 讨论局限性和未来方向，包括模型可访问性和集成挑战。

Figure 2. Histogram of base LLM used by Finance Agent (one paper may contain multiple agent)

实验结果

研究问题

• RQ1 用于LLM驱动的交易代理的常见架构有哪些？
• RQ2 LLM交易代理使用了哪些数据类型，如何整合？
• RQ3 当前性能如何，回测中LLM交易代理的局限性是什么？
• RQ4 对于基于LLM的金融交易，强调的未来方向和挑战是什么？

主要发现

• LLM架构用于交易的大致分类为：LLM 作为交易者和 LLM 作为阿尔法矿工。
• 代理主要依赖文本数据，以数值数据转写为文本为补充，并日益探索记忆、反思和辩论机制。
• 在真实市场数据上的回测显示出色的表现，与基线相比年化收益率在 15%–30% 区间。
• 文献中存在开源LLM，但由于性能原因，OpenAI 模型（GPT-3.5/4）占主导地位，而封闭源模型的延迟和隐私问题仍然存在。
• 多模态数据（包括像图表这样的视觉数据）正在被探索，但金融视觉数据仍未得到充分利用。
• 评估通常未考虑交易成本和超出美股/中国股市的更广泛市场覆盖，这提示需要更全面的测试。