چکیده Recent advancements in Large Language Models (LLMs) have exhibited notable efficacy in question-answering (QA) tasks across diverse domains. Their prowess in integrating extensive web knowledge has fueled interest in developing LLM autonomous agents. While LLMs are efficient in decoding human instructions and deriving solutions by holistically processing historical inputs, transitioning to purpose-driven agents requires a supplementary rational architecture to process multi-source information, establish reasoning chains, and prioritize critical tasks. Addressing this, we introduce \textsc{FinMe}, a novel LLM-based agent framework devised for financial decision-making, encompassing three core modules: Profiling, to outline the agent’s characteristics; Memory, with layered processing, to aid the agent in assimilating realistic hierarchical financial data; and Decision-making, to convert insights gained from memories into investment decisions. Notably, \textsc{FinMe}’s memory module aligns closely with the cognitive structure of human traders, offering robust interpretability and real-time tuning. Its adjustable cognitive span allows for the retention of critical information beyond human perceptual limits, thereby enhancing trading outcomes. This framework enables the agent to self-evolve its professional knowledge, react agilely to new investment cues, and continuously refine trading decisions in the volatile financial environment. We first compare \textsc{FinMe} with various algorithmic agents on a scalable real-world financial dataset, underscoring its leading trading performance in stocks and funds. We then fine-tuned the agent’s perceptual spans to achieve a significant trading performance. Collectively, \textsc{FinMe} presents a cutting-edge LLM agent framework for automated trading, boosting cumulative investment returns.

چکیده به فارسی (ترجمه ماشینی) پیشرفت های اخیر در مدلهای بزرگ زبان (LLM) اثربخشی قابل توجهی در انجام وظایف پاسخ به سؤال (QA) در حوزه های مختلف نشان داده است.قدرت آنها در ادغام دانش گسترده وب باعث علاقه به توسعه عوامل خودمختار LLM شده است.در حالی که LLM ها در رمزگشایی دستورالعمل های انسانی و استخراج راه حل ها با پردازش کامل ورودی های تاریخی کارآمد هستند ، انتقال به عوامل هدف محور نیاز به یک معماری منطقی تکمیلی برای پردازش اطلاعات چند منبع ، ایجاد زنجیره های استدلال و اولویت بندی وظایف مهم دارد.با پرداختن به این ، ما \ textsc {finme} ، یک چارچوب عامل مبتنی بر LLM را که برای تصمیم گیری مالی ابداع شده است ، معرفی می کنیم ، شامل سه ماژول اصلی: پروفایل ، برای ترسیم ویژگی های عامل.حافظه ، با پردازش لایه بندی شده ، برای کمک به عامل در جذب داده های مالی سلسله مراتبی واقع گرایانه.و تصمیم گیری ، برای تبدیل بینش های به دست آمده از خاطرات به تصمیمات سرمایه گذاری.نکته قابل توجه ، ماژول حافظه \ textsc {finme} از نزدیک با ساختار شناختی بازرگانان انسانی هماهنگ است و تفسیر قوی و تنظیم زمان واقعی را ارائه می دهد.طول شناختی قابل تنظیم آن امکان حفظ اطلاعات مهم را فراتر از حد ادراکی انسان فراهم می کند و از این طریق نتایج معاملاتی را افزایش می دهد.این چارچوب عامل را قادر می سازد تا دانش حرفه ای خود را برآورده سازد ، نسبت به نشانه های سرمایه گذاری جدید واکنش نشان دهد و به طور مداوم تصمیمات تجاری را در محیط مالی بی ثبات تصحیح کند.ما ابتدا \ textsc {finme} را با عوامل مختلف الگوریتمی در یک مجموعه داده مالی مقیاس پذیر در دنیای واقعی مقایسه می کنیم ، که بر عملکرد اصلی تجارت خود در سهام و صندوق ها تأکید می کنیم.سپس ما برای دستیابی به عملکرد قابل توجه معاملات ، دهانه ادراکی عامل را تنظیم کردیم.در مجموع ، \ textsc {finme} یک چارچوب عامل اصلی LLM را برای تجارت خودکار ارائه می دهد و باعث افزایش بازده سرمایه گذاری تجمعی می شود.

دسته بندی موضوعات Computational Finance,Artificial Intelligence,Computational Engineering, Finance, and Science,Machine Learning,امور مالی محاسباتی ، هوش مصنوعی ، مهندسی محاسباتی ، امور مالی و علوم ، یادگیری ماشین

عنوان مقاله به انگلیسی FinMe: A Performance-Enhanced Large Language Model Trading Agent with Layered Memory and Character Design

عنوان مقاله به فارسی FinMe: یک عامل مبادله مدل زبان بزرگ با عملکرد بهبود یافته با حافظه لایه ای و طراحی کاراکتر

لینک دانلود مقاله دانلود مقاله

نویسندگان Yangyang Yu, Haohang Li, Zhi Chen, Yuechen Jiang, Yang Li, Denghui Zhang, Rong Liu, Jordan W. Suchow, Khaldoun Khashanah

مشاهده بیشتر