EvolveTrade：以经验驱动策略优化的自演化交易智能体

大模型交易智能体能结合市场数据、新闻和可执行分析，但行为常由部署前固定的人工工具策略控制，限制其适应市场变化下的证据收集、工具调用、信号验证和风险管理。我们提出自演化框架EvolveTrade，把工具型交易智能体系统提示视为文本参数化策略。每个更新区间后，策略智能体利用累积决策轨迹和已实现投资组合反馈修订策略，底层大模型保持不变。更新策略用于下一批交易决策，使信息获取与组合构建程序逐渐优化。跨多种市场状态和两个大模型骨干的实验显示，EvolveTrade常优于固定策略基线，在多数评估设置中改善夏普比率和累计收益。行为分析显示，自演化策略增加代码介导的分析，激活与市场状态相关的计算；案例级策略到收益归因追踪策略引发的配置变化如何贡献已实现收益差异。结果提示，适应性修改可复用工具使用程序，是构建更稳健交易智能体的重要方向。