FinMem：具有分层记忆与角色设计的性能增强型 LLM 交易智能体
计算金融
2023-12-05 v2 人工智能
计算工程、金融与科学
机器学习
摘要
大语言模型（LLMs）近期的进展在多个领域的问答（QA）任务中展现出显著成效。其整合海量网络知识的能力激发了开发基于 LLM 的自主智能体的兴趣。尽管 LLM 能高效解码人类指令并通过整体处理历史输入推导解法，但转向目标驱动的智能体需要一套辅助的理性架构来处理多源信息、建立推理链并优先关键任务。为此，我们引入 \textsc{FinMem}，一种专为金融决策设计的基于 LLM 的新型智能体框架。它包含三大核心模块：画像（Profiling），用于定制智能体特征；记忆（Memory），通过分层消息处理帮助智能体吸收层次化金融数据；决策（Decision-making），将记忆所得的洞见转化为投资决策。值得注意的是，\textsc{FinMem} 的记忆模块与人类交易者的认知结构高度契合，具备强可解释性与实时调优能力。其可调认知跨度允许保留超出人类感知极限的关键信息，从而提升交易结果。该框架使智能体能够自我演化专业知识、敏捷响应新投资线索，并在波动的金融环境中持续优化交易决策。我们首先在可扩展的真实世界金融数据集上将 \textsc{FinMem} 与多种算法智能体比较，凸显其在股票上的领先交易表现。随后我们微调智能体的感知跨度与角色设定，实现了显著增强的交易性能。综上，\textsc{FinMem} 提出了一种用于自动交易的尖端 LLM 智能体框架，提升了累计投资回报。
引用
@article{arxiv.2311.13743,
title = {FinMem: A Performance-Enhanced LLM Trading Agent with Layered Memory and Character Design},
author = {Yangyang Yu and Haohang Li and Zhi Chen and Yuechen Jiang and Yang Li and Denghui Zhang and Rong Liu and Jordan W. Suchow and Khaldoun Khashanah},
journal= {arXiv preprint arXiv:2311.13743},
year = {2023}
}