学习像专家一样交易：语言模型金融推理的认知微调
机器学习
2026-04-21 v1
摘要
近期将大型语言模型（LLM）作为自主交易代理的部署引发关于金融决策能力是否超越特定市场模式以及其在缺乏真实答案的噪声市场中应如何训练和评估的质疑。我们提出一个结构化的训练与评估框架。我们方法的核心是从经典教科书和历史市场中构建的、由AI委员会验证的、丰富了结构化推理痕迹的、针对缩短捷径学习而进行的增强的多选题（MCQ）数据集。为评估单独MCQ上的表现是否推广到实际交易，我们引入一种两种阶段的协议，将测试集评估与MCQ基准的交易模拟相结合。跨市场情境的广泛评估提供了统计上稳健的证据，表明使用我们框架训练的开源模型在时间上表现出竞争性、风险感知的行为，超越开源基线，接近更小规模模型的前沿性能。我们发布了数据集和评估框架，以支持进一步的研究。
引用
@article{arxiv.2604.16862,
title = {Learning to Trade Like an Expert: Cognitive Fine-Tuning for Stable Financial Reasoning in Language Models},
author = {Yuchen Pan and Soung Chang Liew},
journal= {arXiv preprint arXiv:2604.16862},
year = {2026}
}
备注
6 pages, 3 figures