Проблема текущих LLM-агентов
Современные системы на базе больших языковых моделей (LLM) часто делятся на два неоптимальных типа: те, что фокусируются на долгосрочном прогнозировании, и «безсостоятельные» (stateless) анализаторы. Оба подхода ограничены в сложных торговых условиях, где важна адаптация к текущему рыночному контексту. Авторы работы, опубликованной на arXiv (23.09.2026) и принятой к AACL-IJCNLP 2026, предлагают решение этой проблемы через архитектуру META (Memory Enhanced Trading Agent).
Архитектура: Специализированные агенты и Память
Система META работает как мультиагентная среда. Ядро решения принимает Decision Agent, который агрегирует отчеты от узкоспециализированных агентов-индикаторов. Ключевое отличие — модуль памяти, который хранит прошлые торговые эпизоды в виде эмбеддингов рыночных состояний, результатов и рефлексий. Это позволяет системе не просто анализировать текущие данные, но и «вспоминать» похожие рыночные режимы из прошлого.
Механизм работы
При поступлении новых данных система:
- Извлекает релевантные эпизоды из памяти (RAG-подход).
- Адаптивно переоценивает веса сигналов от технических индикаторов в зависимости от схожести текущего режима с историческими.
- Генерирует решение с низкой задержкой (low-latency), что критично для трейдинга.
Результаты и значимость
В краткосрочной перспективе (short-horizon evaluation) внедрение эпизодической памяти обеспечило:
- Повышение точности определения направления движения цены (directional accuracy).
- Более высокую устойчивость (robustness) к рыночным шумам.
- Интерпретируемость решений за счет явного сопоставления с прошлыми кейсами.
Код проекта уже доступен на GitHub, что открывает возможности для дальнейших исследований в области интерпретируемого AI в финансах.
Источник: arXiv cs.AI ↗