EvolveTrade
一种让LLM交易智能体通过自我进化实现策略优化的框架，将系统提示词视为可进化的文本参数化策略，通过决策轨迹和投资组合反馈持续迭代优化
时间轴 (近 90 天)
EvolveTrade是一个针对LLM交易智能体的策略优化框架，将系统提示词视为由文本参数化的策略，使其能够自我进化
EvolveTrade保持底层LLM完全不变，只让策略本身随时间自我演化，而不修改模型权重
EvolveTrade在每个更新周期结束后由专门的策略智能体（Policy Agent）利用决策轨迹和真实投资组合反馈对现有策略进行修订
研究团队在多个市场环境和两种不同的LLM底座上验证了EvolveTrade
EvolveTrade在大多数被评估的设定中，在夏普比率和累计收益两项指标上超越固定策略的LLM基线
自我进化后的策略明显增加了代码中介分析（code-mediated analysis）的比例，更多通过编写和执行代码处理量化任务
进化后的策略会激活与当前市场环境相关的特定计算逻辑，针对不同市场状态调整分析方式
论文提供了案例级别的策略-收益归因（policy-to-return attribution）分析，追踪策略引发的资产配置变化如何贡献于收益差异
EvolveTrade的核心观点是与其反复微调模型本身，不如让治理工具使用的可复用流程实现自我进化
EvolveTrade在真实资金环境下的鲁棒性、极端行情表现及策略进化的过拟合风险仍有待验证
全部知识事实 (10)
EvolveTrade是一个针对LLM交易智能体的策略优化框架，将系统提示词视为由文本参数化的策略，使其能够自我进化
50%待验证EvolveTrade保持底层LLM完全不变，只让策略本身随时间自我演化，而不修改模型权重
50%待验证EvolveTrade在每个更新周期结束后由专门的策略智能体（Policy Agent）利用决策轨迹和真实投资组合反馈对现有策略进行修订
50%待验证研究团队在多个市场环境和两种不同的LLM底座上验证了EvolveTrade
50%待验证EvolveTrade在大多数被评估的设定中，在夏普比率和累计收益两项指标上超越固定策略的LLM基线
50%待验证自我进化后的策略明显增加了代码中介分析（code-mediated analysis）的比例，更多通过编写和执行代码处理量化任务
50%待验证进化后的策略会激活与当前市场环境相关的特定计算逻辑，针对不同市场状态调整分析方式
50%待验证论文提供了案例级别的策略-收益归因（policy-to-return attribution）分析，追踪策略引发的资产配置变化如何贡献于收益差异
50%待验证EvolveTrade的核心观点是与其反复微调模型本身，不如让治理工具使用的可复用流程实现自我进化
50%待验证EvolveTrade在真实资金环境下的鲁棒性、极端行情表现及策略进化的过拟合风险仍有待验证
50%