对抗性新闻与利润损失：操纵LLM驱动的算法交易中的新闻标题
密码学与安全
2026-03-30 v1 机器学习
摘要
大型语言模型 (LLM) 在金融领域的应用日益广泛。其分析文本数据的卓越能力使其非常适合推断金融相关新闻的情感。算法交易系统 (ATS) 可以利用此类反馈来指导买入/卖出决策。然而，这种做法存在风险，威胁行为者可能会精心制作旨在误导LLM的“对抗性新闻”。特别是，新闻标题可能包含对人类读者不可见但仍被LLM摄取的“恶意”内容。尽管先前的工作已经研究了文本对抗样本，但它们对LLM支持的ATS的系统级影响尚未以货币风险的形式被量化。为了应对这一威胁，我们考虑了一个没有ATS直接访问权限但能够在单日篡改股票相关新闻标题的对手。我们在金融背景下评估了两种人类不可察觉的操纵：在股票名称识别期间误导模型的Unicode同形字替换，以及改变新闻标题情感的隐藏文本子句。我们在Backtrader中实现了一个真实的ATS，该系统融合了基于LSTM的价格预测和LLM衍生的情感（FinBERT、FinGPT、FinLLaMA以及六个通用LLM），并使用投资组合指标量化了货币影响。对真实世界数据的实验表明，在14个月内操纵为期一天的攻击可以可靠地误导LLM，并使年收益降低高达17.7个百分点。为了评估现实世界的可行性，我们分析了流行的抓取库和交易平台，并调查了27位金融科技从业者，证实了我们的假设。我们已就此安全问题通知了交易平台所有者。
引用
@article{arxiv.2601.13082,
title = {Adversarial News and Lost Profits: Manipulating Headlines in LLM-Driven Algorithmic Trading},
author = {Advije Rizvani and Giovanni Apruzzese and Pavel Laskov},
journal= {arXiv preprint arXiv:2601.13082},
year = {2026}
}
备注
This work has been accepted for publication at the IEEE Conference on Secure and Trustworthy Machine Learning (SaTML). The final version will be available on IEEE Xplore