从知到行：面向LLM股票交易Agent的记忆受控基准

评估大语言模型（LLM）Agent能否在资本市场中获利，正越来越多地被构建为端到端交易：将Agent置于历史市场中，让其进行交易，并度量投资组合收益。这一设置容易受到两类评估失效的影响。其一，长回测往往与前沿LLM的知识截止日期重叠，使被记忆的股票代码、日期、价格和市场叙事得以替代投资推理。其二，原始收益是选股能力的噪声代理指标，因为正的业绩可能来自市场beta、风格暴露或有利的行情环境，而非真正的alpha。我们提出KTD-Fin（Knowing-To-Doing Financial Benchmark），一个同时解决这两个问题的端到端股票市场交易基准。KTD-Fin采用数据侧掩码协议，在提示词与工具之间一致地对关键标识符和日历信息进行匿名化，从而将历史市场记忆与投资决策分离。它还引入了Barra风格的业绩归因框架，将投资组合收益分解为市场、风格与选股alpha成分。在对十个前沿LLM Agent于2024至2026年区间中国沪深300上的评估中，掩码显著改变了Agent的决策理由，推动其转向基于匿名化因子的推理。归因分析进一步表明，在泄漏受控评估下，LLM Agent的累计收益在很大程度上可由被动的市场与风格暴露解释，持续选股alpha的证据有限。这些发现表明，金融LLM基准不仅应评估Agent是否赚钱，还应评估收益来源是否反映可迁移的投资技能。我们发布KTD-Fin，作为对LLM交易Agent进行泄漏受控与归因感知评估的可复现模板。