论文
Strat-LLM：基于LLM股票交易的分层策略对齐与实时多源信号
Strat-LLM: Stratified Strategy Alignment for LLM-based Stock Trading with Real-time Multi-Source Signals
摘要
大语言模型（LLM）正演化为自主交易智能体，但既有基准常忽视架构推理与策略一致性之间的相互作用。我们提出Strat-LLM：一个扎根于分层策略对齐的框架。它在整个2025年的实时前瞻 setting 中运行，整合异构数据——序列价格、实时新闻与年报——以消除前视偏差。对A股与美股市场的大量压力测试揭示：(1) 重推理模型在自由模式经内部逻辑达到峰值效用，而标准模型需要严格模式作为关键风险锚；(2) 对齐效用依赖市场状态：自由与引导模式在上升趋势中捕捉动量，严格模式在下跌趋势中缓解回撤；(3) 中等规模模型（35B）在严格约束下保真最优，而超大规模模型（122B）在刚性规则下承受对齐税、却在引导模式获得性能溢价；(4) 标准LLM常落入高胜率陷阱——为小赢优化而牺牲总收益——只能经深度推理或严格外部护栏缓解。项目详情见官网。
