摘要
大型语言模型（LLM）交易智能体能够结合市场数据、新闻和可执行分析，但其行为通常由部署前固定的静态手写工具使用策略所控制。这限制了它们在不断变化的市场环境中调整证据收集、工具调用、信号验证和风险管理方式的能力。我们提出 EvolveTrade，一个自演化框架，将工具使用型交易智能体的系统提示视为一种文本参数化策略。在每个更新周期后，一个 Policy Agent 利用累积的决策轨迹和已实现的投资组合反馈来修订该策略，同时保持骨干 LLM 固定不变。更新后的策略随后用于下一批交易决策，使智能体能够随时间推移改进其信息获取和投资组合构建流程。跨多种市场环境和两种 LLM 骨干的实验表明，EvolveTrade 在大多数评估设置中相较于固定策略 LLM 基线提升了 Sharpe Ratio 和 Cumulative Return。行为分析进一步表明，自演化策略增加了代码介导的分析并激活了与市场环境相关的计算；案例级的策略到收益归因追踪了策略引发的配置变化如何贡献于已实现的收益差异。这些结果表明，调整支配工具使用的可复用流程是构建更稳健 LLM 交易智能体的关键方向。