讓 AI 學會自我進化：EvolveTrade 框架透過經驗驅動策略優化，提升 LLM 交易代理人之決策韌性

本研究提出 EvolveTrade 框架，將 LLM 交易代理人的系統提示詞視為可動態調整的策略，透過分析過往決策與績效回饋實現自我進化，顯著提升投資報酬率與市場適應力。

Problem

現有的大型語言模型（LLM）交易代理人多仰賴靜態且人工編寫的工具使用策略，導致在部署後難以針對瞬息萬變的市場環境，彈性調整其資訊搜集、工具調用、訊號驗證及風險管理等行為。

研究團隊開發了 EvolveTrade 自我進化框架，將代理人的系統提示詞定義為「文本參數化策略」。在不更動底層 LLM 的情況下，由專門的「策略代理人」於更新週期內根據累積的決策軌跡與實際投資組合回饋，動態優化交易策略，並將更新後的策略應用於下一階段的決策流程。

在多種市場環境與不同 LLM 核心的實驗中，EvolveTrade 在夏普比率（Sharpe Ratio）與累積報酬率上皆優於固定的策略基準線。行為分析顯示，自我進化後的策略能增加程式碼輔助的分析深度，並精確啟動與當前市場狀態高度相關的運算邏輯，有效將策略調整轉化為實際收益。

本研究揭示了優化工具調用的「可重用程序」是提升 LLM 交易代理人穩健性的關鍵。這種透過經驗回饋來演化指令的方法，為建構具備長效適應能力的自動化金融決策系統提供了重要的新方向。