Zespół badawczy opracował EvolveTrade, framework umożliwiający agentom handlowym LLM samodoskonalenie się poprzez adaptację strategii. Tradycyjne agenty handlowe korzystają ze stałych instrukcji dotyczących gromadzenia danych, korzystania z narzędzi oraz zarządzania ryzykiem, co ogranicza ich elastyczność w zmiennych warunkach rynkowych. EvolveTrade zmienia to podejście, traktując system prompt agenta jako parametr podlegający ewolucji - politykę opisaną tekstem, którą można modyfikować bez zmiany samego modelu underlying.
System działa w cyklach: Agent Polityki regularnie przegląda naległy prompt na podstawie zgromadzonych śladów decyzji i rzeczywistych wyników portfela, a następnie tę ulepszoną politykę stosuje w kolejnych transakcjach. Eksperymenty prowadzone na różnych reżimach rynkowych i z wykorzystaniem dwóch różnych LLM wykazały, że EvolveTrade konsekwentnie poprawia zarówno wskaźnik Sharpe'a (miarę efektywności ryzyka) jak i skumulowane zwroty w stosunku do baseline'ów ze statycznymi politykami.
Analizy behawioralne ujawniły ciekawy mechanizm: samoadaptujące się polityki zwiększają częstość analiz pośredniczonych kodem oraz aktywizują obliczenia odpowiednie dla danego reżimu rynkowego. Badacze wyśledzili też szczegółowo, jak zmiany alokacji portfela wywołane zmianami polityki przekładają się na różnice w rzeczywistych zwrotach. Wyniki sugerują, że dynamiczne dostosowywanie procedur rządzących użytkowaniem narzędzi jest kluczowym kierunkiem dla budowy bardziej niezawodnych agentów handlowych.