Strat-LLM：基于分层策略对齐的 LLM 股票交易框架，集成实时多源信号
人工智能
2026-05-08 v1
摘要
大语言模型 (LLM) 正发展为自主交易代理，但现有基准常常忽视架构推理与策略一致性之间的相互作用。我们提出了 Strat-LLM 框架，基于分层策略对齐。该框架在 2025 年的实时前向测试中，整合异构数据，包括顺序价格、实时新闻和年报，以消除事前偏见。对A 股和美国市场的广泛压力测试揭示：(1) 推理型模型通过内部逻辑在 Free Mode 中实现峰值效用，而标准模型需要 Strict Mode 作为关键的风险锚点；(2) 对齐效用随市场波动而变，Free 和 Guided 模式捕捉上升市场中的动量，而 Strict 模式在下跌市场中减轻回撤；(3) 中等规模模型 (35B) 在严格约束下表现最佳，而超大规模模型 (122B) 在刚性规则下受到对齐税收，但在 Guided Mode 中获得性能溢价；(4) 标准 LLM 常陷入高胜率陷阱，即优化小收益，牺牲总收益，这只能通过深入推理或严格的外部监管来缓解。项目细节请参见 https://Strat-LLM.github.io/。
引用
@article{arxiv.2605.06024,
title = {Strat-LLM: Stratified Strategy Alignment for LLM-based Stock Trading with Real-time Multi-Source Signals},
author = {Wenliang Huang and Zengyi Yu},
journal= {arXiv preprint arXiv:2605.06024},
year = {2026}
}
备注
Accepted by the 2026 International Joint Conference on Neural Networks (IJCNN)