TradingMoE: Routing the Right Experts in Evolving Markets
Di cosa parla
Ricercatori hanno creato un sistema che affianca a un grande modello linguistico piccoli moduli specialistici e impara quale usare in ogni situazione di mercato. Affrontano il problema che, quando i mercati cambiano, il sistema tende a non selezionare l'esperto più adatto; la soluzione rappresenta in modo compatto il tipo di competenza richiesta e durante l'addestramento prova anche esperti inattivi per aggiornare la scelta senza aumentare molto il costo.
Cosa permette di osservare
Consente di esplorare se i grandi modelli possono restare efficaci in mercati che cambiano combinandoli con moduli specialistici aggiornabili e con meccanismi che scelgono o sostituiscono automaticamente quegli esperti.
Dalla fonte
Large language models (LLMs) have shown strong potential for financial analysis and trading, but direct trading remains challenging because the predictive capabilities required can vary across assets, decision fields, and market conditions. Existing LLM-based trading systems either coordinate human-defined external experts or adopt conventional internal Mixture-of-Experts (MoE) routers that do not directly evaluate how individual experts contribute to trading decisions. Moreover, these routers receive no direct signal indicating when an inactive expert has become more suitable as market conditions change. We find that native router scores poorly reflect how much individual experts improve trading decisions, frequently leaving better alternatives unselected. We further reveal that token-specific expert usefulness exhibits a compact low-dimensional structure. Based on these findings, we p…