CryptoTrade: A Reflective LLM-based Agent to GuideZero-shot Cryptocurrency Trading

ACL2024

目录

摘要

引言

实验验证

研究贡献

CryptoTrade 框架

2.1 数据收集

2.2 市场与新闻分析代理

2.3 交易代理

2.4 反思代理

3 实验设计

3.1 实验设置

实验环境

数据集

评估方案

基线策略

3.2 实验结果

整体表现

3.3 消融实验

实验目标

关键发现

总结

3.4 案例研究

相关工作（Related Work）

1. 大语言模型（LLMs）在经济与金融决策中的应用

2. 金融市场的时间序列预测

3. 自反思语言代理（Self-Reflective Language Agents）

总结

---

摘要

近年来，大语言模型（LLMs）在金融交易中的应用主要集中在股票市场，帮助进行经济和金融决策。然而，加密货币市场所提供的独特机会却鲜少被LLMs挖掘。加密货币市场具有链上数据透明性以及链下信号（如新闻）对市场的重要影响，这为创新的交易策略提供了可能性。

本研究旨在弥补这一空白，开发了一种基于LLM的交易代理——CryptoTrade。该代理独特地结合了对链上和链下数据的分析，利用链上数据的透明性与不可变性，以及链下信号的时效性与影响力，为加密货币市场提供了全面的洞察。

CryptoTrade 还引入了一种反思机制，通过分析以往交易决策的结果来优化每日交易决策，从而实现持续改进。

本研究的贡献主要体现在以下两个方面：

1. 拓展了LLMs在加密货币交易领域的应用；
2. 为加密货币交易策略建立了基准。

通过广泛的实验验证，CryptoTrade 在不同加密货币和市场条件下，表现出在收益最大化方面优于时间序列基线模型的能力，但未能超过传统交易信号的表现。本研究的代码和数据已公开，地址为：GitHub - Xtra-Computing/CryptoTrade: [EMNLP 2024] CryptoTrade: A Reflective LLM-based Agent to Guide Zero-shot Cryptocurrency Trading https://aclanthology.org/2024.emnlp-main.63.pdf。

引言

近年来，大语言模型（LLMs）在金融决策和股票市场预测中取得了突破性进展，特别是在情感分析（Liang等，2022）和解释生成（Pu等，2023）等任务中表现卓越。FinGPT和BloombergGPT等专用模型（Liu等，2023；Wu等，2023）进一步展示了这种能力。研究表明，LLMs能够解释金融时间序列并提升跨序列推理能力（Wei等，2022；Yu等，2023；Zhang等，2023；Zhao等，2023；Yang等，2024）。此外，Sociodojo等基于LLM的交易代理的开发（Cheng和Chin，2024）也凸显了它们在创新投资策略中的潜力。

然而，LLMs在加密货币市场中的应用尚未被充分探索，而这一领域具有以下三大潜力：

1. 市场特性挑战传统交易信号：加密货币市场以高市值、高波动性和高度不确定性为特点（Drożdż等，2023；Wei等，2023；Wang等，2024），使传统交易信号难以应对。
2. 多模态数据分析能力：LLMs能够通过处理海量多模态数据（如新闻和价格信息）来理解并分析金融市场（Wu等，2023）。
3. 链上数据的开放性：加密货币市场的链上数据（如Gas价格、交易总额等）是公开透明的，能够提供价格走势之外的洞见（Feichtinger等，2023；Ren等，2023；Luo等，2023）。

为弥补这一空白，我们提出了CryptoTrade。该代理结合了链上数据（如市场数据和交易记录）与链下信息（如财经新闻），充分利用链上数据的透明性和链下信息的时效性来制定每日交易策略，其框架如图1所示。

---

CryptoTrade 的框架

CryptoTrade 包括以下三部分：

1. 数据收集

• • 聚合链上数据（如交易记录和市场数据）与链下数据（如Bloomberg和Yahoo Finance等财经新闻）。

1. 数据处理

• • 对链上数据进行统计分析，计算移动平均等指标；对链下新闻利用GPT模型进行摘要处理（包括GPT-3.5-turbo、GPT-4、GPT-4o）。

1. 决策机制

• • 专用分析代理支持日常决策：

• • • 市场分析代理评估市场趋势；
    • 新闻分析代理解读新闻影响；
    • 交易代理权衡投资行动；

• • 反思代理回顾过去表现，优化策略以最大化收益。

---

实验验证

我们选用比特币（BTC）、以太坊（ETH）和Solana（SOL）三种加密货币进行实验。这些币种截至2024年6月2日的市值分别为1341.4亿、455.9亿和76.1亿美元。实验结果显示：

1. CryptoTrade 优于时间序列基线模型

• • 如Informer（Zhou等，2021）和PatchTST（Nie等，2022）。

1. 表现接近传统交易信号