基于强化学习的LLM推理金融交易——Trading-R1
交易与市场微观结构
2025-09-16 v1 人工智能
计算工程、金融与科学
计算与语言
机器学习
摘要
开发与人类金融分析师和交易员相当的专业、结构化推理能力是AI面向金融领域的核心挑战，金融市场要求可解释性和可信度。传统时间序列模型缺乏可解释性，而LLM在将自然语言分析转化为纪律化、可执行交易方面面临挑战。尽管推理LLM在步骤规划和验证方面取得了进展，但其在风险敏感的金融决策中应用仍属探索阶段。我们提出了Trading-R1，一个融合战略思考和规划的金融导向模型，用于全面论点构建、事实 grounding 分析和波动性调整决策。Trading-R1通过监督微调和基于三个阶段易到难课程的强化学习，将推理与交易原则相结合。训练使用Tauric-TR1-DB，涵盖18个月、14只股票和五个异构金融数据源。评估于六只主要股票和ETF，Trading-R1在风险调整收益和最大回撤方面优于开源和专有指令遵循模型以及推理模型。系统生成结构化、基于事实的投资论点，支持纪律化和可解释的交易决策。Trading-R1终端将在https://github.com/TauricResearch/Trading-R1发布。
引用
@article{arxiv.2509.11420,
title = {Trading-R1: Financial Trading with LLM Reasoning via Reinforcement Learning},
author = {Yijia Xiao and Edward Sun and Tong Chen and Fang Wu and Di Luo and Wei Wang},
journal= {arXiv preprint arXiv:2509.11420},
year = {2025}
}
备注
Tauric Research: https://github.com/TauricResearch