FinMem: A Performance-Enhanced LLM Trading Agent with Layered Memory and Character Design

最近大型语言模型（LLM）的进展在各个领域的问答任务中表现出显著的功效。它们在整合广泛的网络知识方面的能力引发了开发基于LLM的自主代理的兴趣。虽然LLM在解码人类指令和通过全面处理历史输入推导解决方案方面非常高效，但要转变为目的驱动的代理需要一个补充的理性架构来处理多源信息，建立推理链，并优先考虑关键任务。为了解决这个问题，我们介绍了一种新的基于LLM的代理框架\textsc{FinMem}，用于金融决策。它包括三个核心模块：个人资料，用于定制代理的特征；记忆，具有分层消息处理，帮助代理吸收分层金融数据；和决策制定，将从记忆中获得的见解转化为投资决策。值得注意的是，\textsc{FinMem}的记忆模块与人类交易员的认知结构密切相关，提供了强大的可解释性和实时调整能力。它的可调认知跨度允许保留超出人类感知限制的关键信息，从而增强交易结果。该框架使代理能够自我发展其专业知识，对新的投资线索做出敏捷反应，并在不稳定的金融环境中不断完善交易决策。我们首先将\textsc{FinMem}与各种算法代理在可扩展的真实世界金融数据集上进行比较，强调其在股票交易中的领先交易表现。然后，我们对代理的感知跨度和角色设置进行了微调，以实现显着提高的交易表现。总的来说，\textsc{FinMem}提供了一个尖端的LLM代理框架，用于自动化交易，增加累积投资回报。

论文旨在开发一个基于大型语言模型的自主金融决策代理框架，以提高金融交易的累积收益。该框架需要解决如何处理多源信息、建立推理链和优先处理重要任务等问题。

论文提出了一种名为 extsc{FinMem}的框架，包括三个核心模块：个性化配置、分层消息处理的记忆和将记忆转化为投资决策的决策模块。其中，记忆模块与人类交易者的认知结构密切相关，具有良好的可解释性和实时调整性。

论文使用实际金融数据集对 extsc{FinMem}与其他算法代理进行了比较，证明了其在股票交易中的领先表现。同时，研究人员还对代理的感知范围和性格设置进行了微调，以实现显著提高的交易绩效。

近期在这个领域中的相关研究包括使用大型语言模型进行问答任务、自动化交易和金融决策等。其中，有一些相关的论文包括《BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding》、《Deep Reinforcement Learning for Automated Stock Trading: An Ensemble Strategy》等。