arXiv cs.AI· Yupeng Zhang, Liuyuan Jiang, Hongyi Huang, Bingheng Li, Lisha Chen·· 3 天前AI 评分22
RetailAgent：自条件多模态 LLM 交易智能体中的结构化不利择时
RetailAgent: Structured Adverse Timing in Self-Conditioned Multimodal LLM Trading Agents
AI 导读
研究提出 RetailAgent 框架，让 LLM 观察匿名化日内股价历史与允许状态，在收益揭晓前反复选择做多或空仓。在剔除整体做多比例后，做多与空仓区间的收益对比显示，跨模态、周期、状态与模型族均存在持续的负向择时。打乱已保存的动作序列会显著削弱该效应，说明动作与后续收益的对齐驱动了负分；将自撰记忆注入决策会进一步加剧策略持续性。
正文 · AI 翻译
摘要：在金融市场中，一个系统性地对价格变动作出反应的序贯策略可能会变得可被其他市场参与者预测。本文通过 RetailAgent 研究大语言模型（LLM）智能体是否表现出这种方向性结构。RetailAgent 是一个实验框架，其中 LLM 观察匿名化的日内股票价格历史与允许的状态，然后在后续区间收益揭晓前反复选择做多（持有股票）或空仓（不参与）。在剔除做多决策的总体比例后，我们比较同一股票日内路径上做多区间与空仓区间的收益。这一敞口匹配的度量揭示了跨模态、时间跨度、状态和模型家族的持续负向择时。打乱保存的动作序列会显著削弱该效应，表明动作与后续收益之间的对齐驱动了负向得分。将自我撰写的记忆输入决策会进一步增强策略持续性，而在智能体同时使用两种动作的股票日中，择时变得更加负向。这些结果揭示了序贯 LLM 金融决策中稳定、可恢复的方向性结构，以及一种行为信号，可用于研究另一参与者如何应对可预测的策略。
| 学科： | 人工智能（cs.AI）；交易与市场微观结构（q-fin.TR） |
| 引用为： | arXiv:2608.28399 [cs.AI] |
| （或 arXiv:2608.28399v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2608.28399 arXiv 颁发的 DOI，经由 DataCite |
提交历史
来自：Yupeng Zhang [查看邮箱]
[v1]
2026年8月28日星期五 14:53:08 UTC（2,109 KB）
[v2]
2026年10月9日星期五 20:01:15 UTC（2,109 KB）
来源：arXiv cs.AI · arxiv.org