arXiv cs.AI· Jackson Wang·· 4 小时前AI 评分38
LLM 交易智能体在财报发布前与坏消息后的表现:唯一优势来自训练记忆
The Only Edge Was Memorized in Training: LLM Trading Agents Around Earnings and Bad News
AI 导读
在无前视偏差的基准上测试四个厂商五个 LLM 交易智能体,分别针对 598 次财报公告前和 409 次坏消息下跌后的决策,没有任何智能体跑赢简单下注策略。财报前智能体大多选择买入,收益等同于每次公告前无差别买入;坏消息后基于 Gemini 的智能体几乎把所有下跌都判为过度反应,也没有智能体比全部抄底选得更准。
正文 · AI 翻译
摘要:大型语言模型(LLM)交易智能体在新闻上接受测试,但新闻会在几分钟内反映到股价中,而一个在新闻发布时回放标题的基准测试发现,依据这些标题进行交易并不能获得超额收益。因此,资金可能留在两个地方:在日期已知的新闻(如财报公告)发布之前,以及在坏消息发布之后(如果市场跌幅过大)。然而,关于 LLM 与财报的研究读取的是公告发布时或之后发布的文件,而关于反转的研究则按月对投资组合排序,因此两者都无法说明智能体在扣除成本后能否在这些时点进行交易。在本文中,我们在同一个无前视偏差的基准上,对 LLM 智能体在这两个时点进行测试:598 次财报公告之前,以及美国大型股票 409 次坏消息下跌之后。所有输入都在决策收盘时截断,分阶段智能体与单次调用、简单规则和逻辑回归进行比较,并且每个决策都在包含和不包含股票名称的情况下做出。在来自四家供应商的五个模型中,没有智能体胜过简单下注。在财报公告前,智能体大多买入,其收益与在每次公告前买入所获收益相同;而在坏消息之后,一个基于 Gemini 的智能体几乎把每次下跌都称为过度反应,同时没有智能体比全部买入更好地挑选下跌机会。唯一的收益来自模型在训练中记住的内容。仅给定股票代码和日期,一个基于 GPT 的模型在其训练截止日期前对 59.2% 的公告判断对了方向,在截止日期后为 53.3%。因此,智能体构建者应将事件智能体与简单下注进行比较,并在训练截止日期后进行盲测。
| 评论: | 21 页,9 幅图,12 张表。关于 LLM 交易智能体在预定财报公告前和坏消息下跌后的原创实证研究,基于 rta-bench-1 基准(arXiv:2611.19530)运行 |
| 主题: | 人工智能(cs.AI);多智能体系统(cs.MA) |
| 引用为: | arXiv:2611.22177 [cs.AI] |
| (或 arXiv:2611.22177v1 [cs.AI] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2611.22177 由 DataCite 颁发的 arXiv DOI(待注册) |
提交历史
来自:Jackson Wang [查看电子邮件]
[v1]
2026 年 11 月 17 日星期二 04:13:18 UTC(306 KB)
来源:arXiv cs.AI · arxiv.org