MemTrial：让 LLM 投资组合智能体学会何时信任记忆

查看 PDF HTML（实验性）

摘要：用于投资组合管理的大语言模型（LLM）智能体从经验中学习：它们将记忆中每条经验与使用该经验所做决策的结果挂钩。然而在金融市场中，这一结果主要反映的是当日所有决策共同面对的市场走势，因此这种归因追踪的是市场而非经验本身，这类智能体的表现往往还不如简单地持有等权重（1/$N$）投资组合。我们研究智能体如何将经验归因于它所改变的部分，并通过“审判记忆”来回答这一问题：同一决策在有和没有某条经验时的草稿面对相同的市场，因此它们共同的结果在差值中相互抵消。我们的智能体 MemTrial 用其检索到的经验的八种组合为每个决策生成草稿，这些组合由部分因子设计选取，并以每条经验的 Banzhaf 值（这些差值的平均）来归因。由于每个日期只出现一次，且每份草稿都是带噪声的 LLM 样本，这些归因值是有噪声的，可能在新日期上不成立。因此 MemTrial 用分层贝叶斯模型跨日期和相似经验对它们进行汇总，只有当它们能预测未见日期后才据此行动，否则保持锚定在保守参考（如 1/$N$）上。在四个基准上，MemTrial 不仅受益于真正重要的经验（在经验质量已知的半合成基准上位列 15 种方法之首），而且在其归因值不成立时也能限制损失（在 PortBench 和 InvestorBench 上最多低于 1/$N$ 2.2\%，而最佳经验学习智能体为 15--38\%）。在五个设置上平均，它将最佳经验学习智能体的效用提升了 21.2\%，并且在八个 LLM 上于 InvestorBench 击败了所有基于 LLM 的基线。

提交历史

来自：Guanghao Wu [查看邮箱]
[v1] 2026年10月8日星期四 11:27:49 UTC（1,770 KB）