Large Language Model Agent in Financial Trading: A Survey

4.5/10

Ключевые слова: большие языковые модели, агент, управление активами, количественная торговля.

Аннотация

Торговля — высококонкурентная задача: нужна смесь стратегии, знаний и психологической устойчивости. После успеха больших языковых моделей (LLM) естественно спросить, можно ли перенести возникающий интеллект LLM-агентов на этот рынок и способны ли они обойти профессиональных трейдеров. Обзор систематизирует текущие работы по LLM как агентам финансовой торговли: типичные архитектуры, входные данные, результаты бэктестов и открытые проблемы. Цель — зафиксировать состояние области и наметить направления исследований.

CCS Concepts: Computing methodologies → Natural language processing; Information extraction; Intelligent agents.

1. Введение

Прогресс LLM перестроил NLP и показал потенциал автономных агентов [46]. Такие агенты уже пробуют в здравоохранении [32] и образовании [59]; в финансах LLM тоже активно исследуют [23, 26]. Отдельный тренд — LLM-агенты для торговли. Профессиональный трейдер обязан быстро перерабатывать разнородную информацию и принимать решения; LLM хорошо подходят именно к этой роли: быстро обрабатывают большие объёмы текста и выдают сжатые выводы.

Мы систематически разбираем работы, где LLM выступает агентом финансовой торговли, ищем общие линии и формулируем вопросы к будущему:

• Какие архитектуры типичны для торговых LLM-агентов?
• Какие данные подают LLM, чтобы решения были обоснованными?
• Каково текущее качество LLM в финансовой торговле, где потенциал и где пределы?

Тема молодая: относительно мало работ явно применяют агентный каркас к торговле. Мы просмотрели 27 статей про LLM в финансовой торговле, из них семь содержат слово «agent» в заголовке. Поиск — Google Scholar по запросам вроде «LLM for trading» и «GPT stock agent»; каждую работу вручную проверяли на релевантность. Насколько нам известно, это первый обзор вклада именно LLM-агентов в финансовую торговлю.

Смежные переводы на сайте: проблема запоминания в экономических прогнозах LLM, QTNet.

2. Архитектура

Архитектура — ключевой выбор при проектировании LLM-агента, и её обычно диктует цель. Главная цель торгового агента — максимизировать доходность решений на заданном горизонте. Риск-метрики тоже важны; их разберём в §4. LLM-агентов строят и для других финансовых задач — суммаризация новостей [1], финансовые консультации [21], — но здесь фокус на агентах, которые зарабатывают инвестиционную доходность: это основная масса работ.

Два крупных класса: LLM как трейдер и LLM как майнер альф. Трейдер напрямую выдаёт решение (BUY / HOLD / SELL). Майнер альф использует LLM как инструмент для качественных альфа-факторов, которые затем встраивают в нижестоящую торговую систему. Иерархия показана на рис. 1.

2.1. LLM как трейдер

Здесь LLM напрямую принимает торговое решение. Система анализирует внешние данные — новости, отчёты, цены — и извлекает из них сигнал покупки или продажи. Подтипы: новостные, рефлексивные, дебатные и RL-агенты.

2.1.1. Новостные

Самый базовый тип: новости по бумаге и макрообновления кладут в контекст промпта, LLM предсказывает движение цены на следующий торговый период. Работы [29, 50] сравнивают закрытые модели (GPT-3.5/4) и открытые (Qwen [3], Baichuan [52] и др.) в финансовом сентимент-анализе и бэктестируют простой long-short по сентимент-скорам — стратегия работает. [18, 56] смотрят LLM, дообученные на финансовом корпусе (FinGPT, OPT и др.), и показывают дополнительный выигрыш от выравнивания под предметную область.

Более сложные схемы: суммаризация и очистка новостей плюс рассуждение о связи новости и движения цены. [10] строит несколько суммаризаторов — прогрессивную дневную сводку новостей, фундаментальную и макросводку, сводку ценового моментума. Сводки хранит модуль запоминания («память»); на этапе торговли релевантная память поднимается как контекст «рекомендации» для финального решения. Авторы отмечают сильный in-context learning у универсальных моделей вроде GPT-4 [36] на финансовых задачах. LLMFactor [47] сначала просит LLM выделить важные факторы, анализируя связь исторических новостей и последующего движения цены, затем извлекает эти факторы из дневных новостей и прогнозирует цену.

Часть подходов ближе к продвинутому LLM-методу с zero-shot или in-context learning [24, 42], чем к агентной системе; мы включаем их для полноты картины.

2.1.2. Рефлексивные

Рефлексия [38] строится поверх извлечённой памяти через суммаризацию LLM: это знания высокого уровня, постепенно агрегируемые из сырых воспоминаний и наблюдений. По ним принимают торговые решения.

FinMem [53] — торговый агент со слоистой памятью и «характером». Сырой вход (дневные новости, финансовые отчёты) сжимается в воспоминания. При новых наблюдениях релевантная память поднимается и вместе с ними порождает рефлексии. И память, и рефлексии лежат в слоистом «ведре». На торговой фазе их извлекают модулем решений. Критерии извлечения: свежесть, релевантность, важность.

FinAgent [57] — первый мультимодальный агент с похожей слоистой памятью и рефлексией плюс модуль, принимающий числа, текст и изображения. Модуль решений дополнительно берёт технические индикаторы — MACD [9] и RSI [11] — и аналитические рекомендации, чтобы ловить рыночную динамику. На бэктесте схема обходит другие агенты, включая FinMem.

Память и рефлексия имеют корень в когнитивной науке [6]: человек взаимодействует со средой, впитывает обратную связь, формирует воспоминания и применяет уроки. Те же механизмы у LLM-агентов снижают риск галлюцинаций [15] и дают понимание среды более высокого уровня [39].

2.1.3. Дебатные

Дебаты между LLM усиливают рассуждение и фактическую корректность; приём широко используется и в финансовых агентах. [51] предлагает гетерогенный дебатный каркас: агенты с разными ролями (настроение, риторика, зависимости и т.д.) спорят друг с другом — это улучшает классификацию новостного сентимента. TradingGPT [27] близок к FinMem [53], но добавляет шаг: агенты оспаривают действия и рефлексии друг друга, повышая устойчивость рефлексий.

2.1.4. С обучением с подкреплением

Методы вроде RLHF [37] и RLAIF [22] хорошо выравнивают выходы LLM с желаемым поведением. Узкое место — получать качественную обратную связь дёшево и системно. В торговле бэктест даёт относительно дешёвую обратную связь по решениям и естественно служит источником награды.

SEP [19] совмещает RL с модулями памяти и рефлексии: последовательность верных и неверных прогнозов по рыночной истории уточняет предсказания LLM на живых данных.

RL само по себе — классический метод решений в играх и торговле [16]. [8] строит RL-каркас из Local-Global (LG) модели и Self-Correlated Reinforcement Learning (SCRL) на многослойных перцептронах. LLM делает эмбеддинги заголовков новостей, проецирует их в пространство признаков бумаги; эмбеддинги смешиваются с уже имеющимися признаками и идут на вход LG. LG — сеть политики, обучается PPO [43] на траекториях торгового периода обучения.

2.2. LLM как майнер альф

Второй класс: LLM не торгует сам, а генерирует альфа-факторы. QuantAgent [48] делает это через архитектуру внутренний цикл / внешний цикл. Во внутреннем цикле агент-писатель берёт общую идею человека-трейдера и пишет скрипт; агент-судья даёт фидбек и уточняет код. Во внешнем цикле принятый код тестируют на реальном рынке, а торговый результат усиливает судью. Показано, что агент постепенно приближается к лучшему поведению с разумной эффективностью. В следующей работе AlphaGPT [49] предлагает human-in-the-loop майнинг альф: тот же каркас плюс экспериментальная среда. Обе работы демонстрируют эффективность LLM-майнинга — это ценно, потому что поиск альф ресурсоёмок.

2.3. Выбор LLM в агенте

Гистограмма на рис. 2 показывает спектр базовых моделей. Доминируют модели OpenAI, особенно GPT-3.5 и GPT-4, из-за общей силы. Длинный хвост открытых моделей закрывает потребность в гибкой и специализированной разработке. GPT-3.5 используют даже чаще GPT-4: дешевле и ниже латентность.

3. Данные

LLM-торговые агенты сильно зависят от разнородных источников сигнала. Мы сгруппировали используемые типы в четыре класса:

• Числовые: цены, объёмы и прочая статистика.
• Текстовые: новости по бумагам, финансовые отчёты.
• Визуальные: графики и изображения рынка.
• Симулированные: данные искусственных рынков и синтетические события.

3.1. Числовые данные

В классическом кванте числа — основа [2, 31]. LLM изначально заточены под текст, поэтому числа приходится превращать в строки. Несмотря на известную слабость LLM в арифметике и рассуждении [12], числовые данные успешно включают в торговых агентов. [57] считает простые ценовые признаки (например, трёхдневное изменение) по сырым ценам; LLM описывает и суммаризирует их в кратко-, средне- и долгосрочные сигналы — это нижний слой рефлексии.

В [48] дополнительно используют open/close, high/low, чтобы порождать торговые идеи для внешнего цикла обратной связи и оценивать сгенерированную альфа-стратегию. Числа необходимы: они напрямую отражают характер рынка. Высокий объём и растущая цена обычно сигнализируют позитивные ожидания и коррелируют с результатами компании.

3.2. Текстовые данные

Новости и отчёты критичны для трейдера. Все рассмотренные LLM-агенты используют текстовые финансовые данные. По отраслевой терминологии делим текст на фундаментальные и альтернативные данные.

3.2.1. Фундаментальные данные

Это характеристики и метрики, по которым судят об устойчивости актива. В LLM-агентах — финансовые отчёты и аналитические записки.

Финансовые отчёты. Формы 10-Q и 10-K дают картину результатов компании, финансового состояния и ожиданий. Их широко используют FinMem [53], TradingGPT [27] и FinAgent [57]: отчёты обогащают память агента и питают решения.

Аналитические отчёты. Исследования индустрии дают мнения и прогнозы сверх публичной отчётности и новостей. FinAgent [57] берёт экспертные рекомендации Seeking Alpha как важный вход модуля решений наряду с рыночной разведкой, разбором движения цены и историей собственных сделок.

3.2.2. Альтернативные данные

Нестандартная информация для оценки компаний и рынков, дополняющая отчётность. Даёт агенту отдельный угол зрения.

Новости. Bloomberg, The Wall Street Journal, CNBC Television и профильные платформы — поток о движениях рынка, отраслях и конкретных эмитентах. Широко используются [20, 27, 51, 53, 57]. LLM особенно сильны в извлечении сентимента — потенциально важного торгового сигнала.

Соцсети. Twitter, Stack Exchange, StockTwits, Reddit ловят более неформальные обсуждения в реальном времени. Классический ML на соцсетях для прогноза цены есть [14, 40, 58], но среди обзоренных LLM-агентов реальное время соцсетей использует только SEP [19]: LLM генерирует и суммаризирует ключевые факты из Twitter по заданной бумаге. Направление недоисследовано, потенциал большой.

3.3. Визуальные данные

Числа и текст доминируют; визуальный канал почти не трогают. Причина — существующие LLM плохо понимают финансовые картинки. Мультимодальные модели вроде LLaVA [28] и GPT-4V [35] умеют обрабатывать изображение, но почти не обучались и не оценивались на финансовых визуализациях (свечи, объёмы). Ранний опыт FinAgent [57]: GPT-4V в торговом агенте, свечные и торговые графики вместе с числами и текстом. Прирост относительно FinMem (та же архитектура без картинки) существенен. Это шаг к техническому анализу внутри LLM-каркаса.

3.4. Симулированные данные

Симуляции воспроизводят реальные сценарии и дают инструменты для изучения и рынка, и поведения агента. В [54] группа LLM-агентов с разными «личностями» торгует в симулированной среде: колебания цены, синтетические события (ставки, публикация отчётности), общение через bulletin board. Личности реагируют по-разному; внешние факторы сильно влияют на поведение.

Симуляции также удобны для исследования смещений, этики и устойчивости в экстремальных условиях. [41] задаёт несколько реальных сценариев, включая сильное давление, и смотрит поведение LLM. Модели способны на неэтичные действия: торговать по инсайду и сочинять правдоподобные объяснения, чтобы это скрыть. Это регуляторный риск; такие вопросы нужно закрыть до продакшена.

4. Оценка

В обзоренных работах LLM-агенты показывают сильные результаты на бэктесте. Ниже — торговые стратегии, метрики и бейзлайны.

4.1. Торговая стратегия

LLM выдаёт простые сигналы Buy / Hold / Sell по тексту новостей или отчётности. В FinMem [53] и FinAgent [57] сигнал напрямую становится действием по конкретной бумаге. Для портфеля из многих бумаг типичен ранжирующий подход: нужен числовой скор, по величине которого распределяют капитал.

В FinLlama [20] все бумаги S&P 500 ранжирует LLM: верхние 35% — лонг, нижние 35% — шорт. Похожий long-short в [18, 29] обходит и long-only, и short-only. Напротив, [50] ставит лонг всем бумагам с в целом позитивным новостным сентиментом и шорт — с негативным, без учёта магнитуды скора. Сигнал используется не полностью; в их эксперименте long-short хуже long-only. В [56] бумаги группируют по рангу сигнала: верхняя группа даёт лучшую доходность.

Веса при исполнении — равные или по капитализации. В [18] и [29] портфели, взвешенные по капитализации, чуть доходнее равновзвешенных. Гипотеза авторов: качество текстового сигнала у large-cap лучше из-за смещения новостного покрытия.

4.2. Метрики

Портфельные. Почти все работы используют стандартный набор. Кумулятивная и аннуализированная доходность — прибыльность; коэффициент Шарпа [44] и максимальная просадка — риск. Наблюдение: риск и прибыль считают почти все, торговые издержки — почти никто.

• Кумулятивная доходность: \[ \mathrm{Cumulative\ Return} = \frac{P_t - P_0}{P_0} \times 100\% \] где $P_t$ — цена (или стоимость) в момент $t$, $P_0$ — начальная.
• Аннуализированная доходность: \[ \mathrm{Annualized\ Return} = \Bigl(\frac{P_t}{P_0}\Bigr)^{1/t} - 1 \] где $t$ — число лет.
• Коэффициент Шарпа: \[ \mathrm{Sharpe} = \frac{R_p - R_f}{\sigma_p} \] где $R_p$ — доходность портфеля, $R_f$ — безрисковая ставка, $\sigma_p$ — стандартное отклонение избыточной доходности.
• Максимальная просадка до момента $T$: \[ \mathrm{MDD}(T) = \max_{\tau \in (0,T)} D(\tau) = \max_{\tau \in (0,T)} \max_{t \in (0,\tau)} \bigl(X(t) - X(\tau)\bigr) \] где $X(t)$ — стоимость портфеля в момент $t$.

Сигнальные. Портфельные метрики не всегда отражают качество агента или сигнала, поэтому смотрят и предсказательную силу. [18] и [60] используют F1 и accuracy сентимента новостей. [10] и [56] — win rate (доля прибыльных сделок). QuantAgent [48] считает Information Coefficient (IC) [55] — корреляцию предсказанного сигнала с будущей доходностью.

Системные. Обработка информации через коммерческие API вроде ChatGPT почти нигде не тарифицируется в статьях. QuantAgent — единственная работа, которая явно обсуждает стоимость токенов и вычислительную сложность обучения и инференса. Вероятная причина: стоимость генерации обычно мала относительно капитала портфеля.

4.3. Постановка бэктеста

Большинство работ бэктестирует на реальных рыночных данных. Для однобумажных портфелей берут бумаги с наибольшим объёмом доступных новостей: TSLA, AMZN, MSFT, COIN, NFLX, GOOGL, META, PYPL в [53], [57] и [60]. Для многобумажных — компоненты индексов, S&P 500 [45] и CSI 300 [5].

Почти все агенты тестируют только рынок акций. Из 14 работ с реальными данными 9 — рынок США, 5 — Китай. Только FinAgent [57] выходит на крипту, торгуя ETH [4].

Окна оценки обычно попадают в 2020–2024, совпадая с датой публикации. Медиана тестового периода — всего 1,3 года (табл. 1), точные даты старта и конца выбирают довольно произвольно. Сильные цифры на коротком одиночном окне снижают достоверность результата.

4.4. Бейзлайны и результаты

Бейзлайны делятся на три класса: правила, машинное / глубокое обучение, обучение с подкреплением. В [31, 53, 57] правила — Buy and Hold, Mean Reversion, Short-Term Reversal. Поскольку классификаторы умеют предсказывать новостной сентимент, в бейзлайны входят Random Forest [30], LightGBM [17], LSTM [13], BERT [7]. RL в кванте популярен [25]; PPO [43] и DQN [34] тоже служат бенчмарком в [53, 57].

В целом LLM-агенты выглядят сильно на бэктесте. По обзору [8, 29, 53, 57] аннуализированная доходность на 15–30% выше сильнейшего бейзлайна на реальных данных — это аргумент в пользу потенциала LLM в торговле.

5. Ограничения и направления

Успехи есть, ограничения тоже.

Архитектура. Большинство агентов опирается на закрытые модели (GPT-3.5/GPT-4): вопросы приватности данных и невозможность кастомизации. Почти все работы применяют LLM через in-context learning без дообучения; тонко настраивает модель только [19]. Эффективность fine-tuning торговых агентов остаётся открытым вопросом. Латентность инференса — узкое место, для HFT такие модели непрактичны. Интеграция с существующими торговыми системами в обзоренной литературе почти не обсуждается.

Данные. Текст новостей и фундаментал используют почти все; соцсети — почти никто, хотя они способны двигать рынок (шорт-сквиз GameStop [33]).

Оценка. Бэктест в основном ограничен рынками акций США и Китая; деривативы, облигации, сырьё почти отсутствуют. Окна короткие, издержки редко учитывают. Расширение на другие рынки и учёт комиссий может открыть новые возможности — особенно там, где чувствительность к новостям высока.

Наконец, агенты с разным торговым стилем или «личностью» решают по-разному, но аблаций, разбирающих внутреннее рассуждение LLM, мало. Симулированные среды — перспективный путь к более глубокому пониманию процессов решения.

6. Заключение

Мы систематически разобрали работы, где LLM выступает торговым агентом: архитектура, данные, оценка. Поле молодое, статей пока немного, но потенциал извлекать сигнал из огромных объёмов текста и принимать решения уже виден. Вызовы остаются: зависимость от закрытых моделей и стыковка с существующими торговыми системами и живыми трейдерами — важные направления следующих исследований.

Литература

1. An, S. et al. (2024). FinVerse: An Autonomous Agent System for Versatile Financial Analysis. arXiv:2406.06379. ↑
2. Asness, C. S., Moskowitz, T. J. and Pedersen, L. H. (2013). Value and Momentum Everywhere. Journal of Finance 68(3). ↑
3. Bai, J. et al. (2023). Qwen Technical Report. arXiv:2309.16609. ↑
4. Buterin, V. and Ethereum Foundation (2024). Ethereum: A Decentralized Platform. ↑
5. China Securities Index Company (2024). CSI 300 Index. ↑
6. Chun, M. M. and Johnson, M. K. (2011). Memory: enduring traces of perceptual and reflective attention. Neuron 72(4). ↑
7. Devlin, J. et al. (2019). BERT: Pre-training of Deep Bidirectional Transformers. arXiv:1810.04805. ↑
8. Ding, Y. et al. (2023). Integrating Stock Features and Global Information via LLMs. arXiv:2310.05627. ↑
9. Encyclopaedia Britannica (2023). MACD. ↑
10. Fatouros, G. et al. (2024). Can Large Language Models Beat Wall Street? arXiv:2401.03737. ↑
11. Fidelity. Relative Strength Index (RSI). ↑
12. Hendrycks, D. et al. (2021). Measuring Mathematical Problem Solving With the MATH Dataset. arXiv:2103.03874. ↑
13. Hochreiter, S. and Schmidhuber, J. (1997). Long Short-Term Memory. Neural Comput. 9(8). ↑
14. Huynh, D. et al. (2021). Stock Price Prediction Leveraging Reddit. IEEE Big Data. ↑
15. Ji, Z. et al. (2023). Towards Mitigating Hallucination in LLMs via Self-Reflection. arXiv:2310.06271. ↑
16. Jiang, Z., Xu, D. and Liang, J. (2017). A Deep Reinforcement Learning Framework for the Financial Portfolio Management Problem. arXiv:1706.10059. ↑
17. Ke, G. et al. (2017). LightGBM. NeurIPS 30. ↑
18. Kirtac, K. and Germano, G. (2024). Sentiment trading with large language models. Finance Research Letters 62. ↑
19. Koa, K. J. L. et al. (2024). Learning to Generate Explainable Stock Predictions using Self-Reflective LLMs. WWW ’24. ↑
20. Konstantinidis, T. et al. (2024). FinLlama. arXiv:2403.12285. ↑
21. Lakkaraju, K. et al. (2023). LLMs for Financial Advisement. ICAIF ’23. ↑
22. Lee, H. et al. (2023). RLAIF. arXiv:2309.00267. ↑
23. Lee, J. et al. (2024). A Survey of Large Language Models in Finance (FinLLMs). arXiv:2402.02315. ↑
24. Li, Y. (2023). A Practical Survey on Zero-shot Prompt Design for In-context Learning. RANLP. ↑
25. Li, Y., Wang, J. and Cao, Y. (2023). A General Framework on Enhancing Portfolio Management with RL. arXiv:1911.11880. ↑
26. Li, Y. et al. (2024). Large Language Models in Finance: A Survey. arXiv:2311.10723. ↑
27. Li, Y. et al. (2023). TradingGPT. arXiv:2309.03736. ↑
28. Liu, H. et al. (2023). Visual Instruction Tuning. arXiv:2304.08485. ↑
29. Lopez-Lira, A. and Tang, Y. (2023). Can ChatGPT Forecast Stock Price Movements? arXiv:2304.07619. ↑
30. Louppe, G. (2015). Understanding Random Forests. arXiv:1407.7502. ↑
31. Mai, D. (2024). StockGPT. arXiv:2404.05101. ↑
32. Mehandru, N. et al. (2024). Evaluating large language models as agents in the clinic. npj Digital Medicine 7. ↑
33. Mezrich, B. (2021). The Antisocial Network. Grand Central Publishing. ↑
34. Mnih, V. et al. (2013). Playing Atari with Deep Reinforcement Learning. arXiv:1312.5602. ↑
35. OpenAI (2023). GPT-4V(ision) System Card. ↑
36. OpenAI (2024). GPT-4 Technical Report. arXiv:2303.08774. ↑
37. Ouyang, L. et al. (2022). Training language models to follow instructions with human feedback. arXiv:2203.02155. ↑
38. Park, J. S. et al. (2023). Generative Agents. arXiv:2304.03442. ↑
39. Park, J. S. et al. (2023). Generative Agents (same as [38]). ↑
40. Sarkar, A. et al. (2023). Evaluating Impact of Social Media Posts by Executives on Stock Prices. FIRE ’22. ↑
41. Scheurer, J., Balesni, M. and Hobbhahn, M. (2024). LLMs can Strategically Deceive their Users when Put Under Pressure. ICLR 2024 Workshop on LLM Agents. ↑
42. Schulhoff, S. et al. (2024). The Prompt Report. arXiv:2406.06608. ↑
43. Schulman, J. et al. (2017). Proximal Policy Optimization Algorithms. arXiv:1707.06347. ↑
44. Sharpe, W. F. (1966). Mutual Fund Performance. The Journal of Business 39(1). ↑
45. S&P Dow Jones Indices (2024). S&P 500 Index. ↑
46. Wang, L. et al. (2024). A survey on large language model based autonomous agents. Frontiers of Computer Science 18(6). ↑
47. Wang, M., Izumi, K. and Sakaji, H. (2024). LLMFactor. arXiv:2406.10811. ↑
48. Wang, S. et al. (2024). QuantAgent. arXiv:2402.03755. ↑
49. Wang, S. et al. (2023). Alpha-GPT: Human-AI interactive alpha mining. arXiv:2308.00016. ↑
50. Wu, R. (2024). Portfolio Performance Based on LLM News Scores. SSRN 4709617. ↑
51. Xing, F. (2024). Designing Heterogeneous LLM Agents for Financial Sentiment Analysis. arXiv:2401.05799. ↑
52. Yang, A. et al. (2023). Baichuan 2. arXiv:2309.10305. ↑
53. Yu, Y. et al. (2023). FinMem. arXiv:2311.13743. ↑
54. Zhang, C. et al. (2024). When AI Meets Finance (StockAgent). ↑
55. Zhang, F., Guo, R. and Cao, H. (2020). Information Coefficient as a Performance Measure of Stock Selection Models. arXiv:2010.08601. ↑
56. Zhang, H. et al. (2024). Unveiling the Potential of Sentiment. arXiv:2306.14222. ↑
57. Zhang, W. et al. (2024). A Multimodal Foundation Agent for Financial Trading. arXiv:2402.18485. ↑
58. Zhang, X., Fuehres, H. and Gloor, P. A. (2011). Predicting Stock Market Indicators Through Twitter. Procedia — Social and Behavioral Sciences 26. ↑
59. Zhang, Z. et al. (2024). Simulating Classroom Education with LLM-Empowered Agents. arXiv:2406.19226. ↑
60. Zheng, Q. (2024). How can we use ChatGPT better. M.A. Thesis, University of Chicago. ↑

Перевод основного текста. Оригинал: arXiv:2408.06361 · Ding, Li, Wang, Chen, Guo, Zhang · CC BY 4.0.