RetailAgent: Structured Adverse Timing in Self-Conditioned Multimodal LLM Trading Agents· RetailAgent：自我条件多模态 LLM 交易代理的结构化不利时机
In financial markets, a sequential policy that reacts systematically to price movements may become predictable to other market participants. This paper studies whether large language model (LLM) agents exhibit such directional structure through RetailAgent, an experimental framework in which an LLM observes anonymized intraday equity price histories and permitted state, then repeatedly chooses long (hold the stock) or flat (stay out) before the subsequent interval return is revealed. We compare returns during long and flat intervals along the same stock's intraday path after removing the overall fraction of long decisions. This exposure-matched measure reveals persistent negative timing across modality, horizon, state, and model family. Shuffling saved action sequences substantially attenu
研究 LLM 交易代理在金融市场中的预测性和不利时机。
- 核心方法
- 通过 RetailAgent 框架，让 LLM 观察匿名的股票日内价格历史和允许的状态，然后在后续区间收益揭示前反复选择持有或不持有股票，以此来分析其决策的方向性结构。
- 适合谁读
- 适合对金融市场、交易算法及大型语言模型应用感兴趣的 AI 研究者和金融工程师阅读。
- 要解决的问题
- 论文探讨了基于大型语言模型的交易代理是否会因为系统性地对价格变动做出反应而变得可预测，从而影响其交易效果。
- 关键实验
- 实验通过比较同一股票日内路径中持有和不持有区间的收益，去除了总的持有决策比例后，验证了不利时机的存在。
- 主要贡献
- 发现了在不同模态、时间范围、状态和模型家族下，LLM 交易代理存在持续的不利时机现象，打乱保存的行动序列可以显著减少这种不利影响。
- 意义与局限
- 本研究揭示了 LLM 交易代理的一个重要缺陷，即其决策可能被其他市场参与者预测，这可能对实际交易策略的设计和评估产生重要影响。然而，研究也指出通过打乱行动序列可以减弱这种不利影响。