通过检索增强的大语言模型引导专家切换实现市场状态感知的投资组合管理

金融市场本质上是不稳定的，使得单个投资组合管理策略的有效性高度依赖于不断变化的市场条件。这项工作提出了一种检索增强的专家切换框架，该框架根据类似市场情况下的历史表现动态选择投资组合管理专家。双流变分自动编码器代表资产级别和市场范围的信息，而基于检索的知识库存储历史情况和专家表现。在推理过程中，经过指令调整的LLM对检索到的证据进行推理，以确定最合适的专家，而不是直接生成投资组合行动。我们进一步建立了单调性属性，表明添加本地优秀专家不会降低切换机制的性能。加密货币、股票和外汇市场的实验表明，所提出的选择器在所有三个市场的评估选择策略中实现了最高的累积回报和夏普比率。以股票市场为例，最佳固定专家的累积回报率从 26% 增加到 34%，而夏普比率从 0.74 提高到 0.96。消融结果证实了检索和LLM推理的重要性，而不同专家库规模的实验则证明了互补专业知识的价值。总体而言，研究结果支持基于检索的专家切换作为非平稳金融环境中自适应投资组合管理的有效方法。