EvolveTrade：經驗驅動的自進化 LLM 交易代理政策精煉框架
為何重要
這項研究對 FinTech 與 AI Agent 開發者具有重大意義，它證明瞭在不更換模型基礎架構的情況下，透過「迭代式政策學習」來最佳化 Agent 的資訊採集程式與投資策略，比單純依賴單一提示詞工程更有效。這標誌著金融領域的 AI Agent 正從單次決策走向具備自我修正能力系統，為構建更穩健的量化交易策略提供了新的技術範式。
大型語言模型（LLM）交易代理雖具備分析市場資料的能力，但傳統設計依賴部署前即寫死的靜態工具使用政策，限制了其在動態市場中的適應與風險管理彈性。
- EvolveTrade 將系統提示詞視為文本引數化的政策，透過 Policy Agent 利用累積的決策軌跡與實際投資組合反饋來進行動態更新。
- 實驗在多種市場 regime 與兩種 Backbone LLM 下進行，結果顯示該框架在大多數設定中改善了 Sharpe Ratio（SR）與 Cumulative Return（CR），優於固定政策基準。
- 行為分析進一步指出，自進化政策增強了程式碼中介的分析能力，並能針對當前市場 regime 啟動相關計算。