arXiv cs.MA· Qiqi Duan, Changlun Li, Chen Wang, Fan Zhang, Mengxiang Wang, Dayi Miao, Peixian Ma, Jiangpeng Yan, Liyuan Chen, Shuoling Liu, Preslav Nakov, Yuyu Luo, Nan Tang·· 10 天前AI 评分31
TradeLens：LLM 智能体交易系统能否为自己的智能买单？
Can Agentic Trading Systems Pay for Their Own Intelligence?
AI 导读
研究者提出 TradeLens，一个基于交易记录、运行时轨迹和部署配置的诊断工具，用于评估 LLM 智能体交易系统能否将智能成本转化为增量利润。跨模型、资金规模、交易频率和系统架构的分析显示，可行性取决于"智能到利润"的转化：DeepSeek-V3.2 表现为资产选择不佳，GLM-4.7 表现为择时负收益。该工作已被 EMNLP 2026 Findings 接收。
正文 · AI 翻译
作者：Qiqi Duan、Changlun Li、Chen Wang、Fan Zhang、Mengxiang Wang、Dayi Miao、Peixian Ma、Jiangpeng Yan、Liyuan Chen、Shuoling Liu、Preslav Nakov、Yuyu Luo、Nan Tang
摘要：大语言模型（LLM）智能体正越来越多地应用于交易系统，其中模型推理、工具使用和持续决策都会产生成本，而这些成本预期应带来交易价值。现有评估通常报告性能指标，但很少考察智能体可行性：即由 LLM 介导的动态决策能否将其引发的成本转化为可衡量的增量利润。为应用这一标准，我们提出了 TradeLens，一个基于轨迹的诊断工具包，用于从交易记录、运行时轨迹和部署配置来评估智能体交易系统。它重建交易轨迹，将利润和成本归因于可解释的证据，并诊断智能体是否以及为何为其自身智能付费。我们围绕骨干模型、资金规模、交易频率和系统架构开展了广泛分析，并进行了部署讨论。我们的结果表明，可行性取决于智能到利润的转化：不同模型表现出不同的失败模式，例如 DeepSeek-V3.2 中的资产选择不佳和 GLM-4.7 中的负向择时，而资金规模、交易频率和架构主要在这些运行中产生影响，尤其是通过其对决策归因择时价值的影响。这些发现将基于 LLM 的交易智能体的评估从以能力为中心的性能排名，重新定位为基于轨迹的智能到利润转化诊断。我们的代码可在 此 https URL 获取。
| Comments: | 已被 EMNLP 2026 Findings 接收 |
| Subjects: | 人工智能（cs.AI）；多智能体系统（cs.MA） |
| 引用为： | arXiv:2607.10286 [cs.AI] |
| （或 arXiv:2607.10286v3 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2607.10286 arXiv 颁发的 DOI，通过 DataCite |
提交历史
来自：Changlun Li [查看电子邮件]
[v1]
2026年7月11日星期六 12:31:54 UTC（2,521 KB）
[v2]
2026年8月31日星期一 03:30:19 UTC（2,551 KB）
[v3]
2026年10月7日星期三 02:49:22 UTC（2,554 KB）
来源：arXiv cs.MA · arxiv.org