Watafiti wa KAIST walionyesha kuwa kuruhusu bot ya biashara inayojiendesha kwa mfumo wa lugha (language-model-driven) kuandika upya maelekezo yake (prompt) kila baada ya siku tano kuliongeza Sharpe ratio yake kutoka 2.94 hadi 4.00 na kuongeza ufanisi wa ziada wa basis point 50 katika jaribio la siku 50. Faida hiyo ilitokana na kulazimisha bot hiyo kuhamisha kila ukokotoaji kutoka kwenye maelezo ya kawaida kwenda kwenye kodi ya Python inayoweza kutekelezwa.

Kwa nini maelekezo (prompts) yasiyobadilika yanashindwa

Wakala wengi wa LLM wanaotekeleza kodi huanza na maelekezo ya mfumo yaliyofungwa – fungu la maandishi linaloiambia modeli jinsi ya kujiendesha. Maelekezo hayo mara nyingi huchukulia zana ya kodi kama urembo wa hiari tu. Model inaweza bado "kufikiria" kuhusu mabadiliko ya bei (volatility) au mapato yanayotarajiwa, lakini huandika namba hizo katika maandishi ya kawaida na kisha kuamua kiasi cha kuwekeza kulingana na makadirio yasiyo na uhakika. Matokeo yake ni kutokuwepo kwa muunganiko: model inaweza kuzalisha kodi halali kabisa, lakini ukubwa wa biashara ya mwisho huchaguliwa nje ya kodi hiyo, jambo linalofanya uamuzi huo kuwa hatarini kwa makosa ya kufikirika (hallucination).

Mbinu ya EvolveTrade

Timu ya KAIST ilibadilisha maelekezo yaliyofungwa na meta-wakala (meta-agent) ambaye hupitia utendaji wa bot katika kipindi cha siku tano kinachozunguka. Baada ya kila mapitio, meta-wakala huandika upya maelekezo ya mfumo, na kuimarisha mkataba kati ya modeli ya lugha na mkalimani wake wa kodi (code interpreter). Maelekezo mapya yanahitaji hatua tatu madhubuti:

  • Tengeneza jedwali la vipimo (metrics) kwa kila rasilimali kwa kutumia Python.
  • Tumia fomula za hisabati zilizo wazi ili kutoa alama kwa rasilimali hizo.
  • Pata uzito wa rasilimali (portfolio weights) ndani ya kodi badala ya kutumia maandishi ya markdown.

Katika utendaji wake, bot iliyoboreshwa ilitumia zana ya Python mara 11 kwa kila mzunguko wa biashara – ili kukokotoa vipimo, kuthibitisha mipaka ya hatari, na kurekebisha uzito – wakati wakala wa msingi alitumia zana hiyo mara moja tu, akitegemea mbinu za kimaandishi (textual heuristics) kwa sehemu nyingine zote.

Takwimu muhimu

Wakati wa back-test ya siku 50 kwenye uwanja wa rasilimali wa kawaida, wakala aliyeboreshwa alionyesha:

  • Sharpe ratio: 4.00 dhidi ya 2.94 kwa wakala wa kawaida.
  • Mapato ya jumla (Cumulative return): 10.56% dhidi ya 8.88% kwa wakala wa kawaida.

Ufanisi wa ziada wa basis point 50 unatokana moja kwa moja na muunganiko thabiti zaidi wa vitendo na hisabati inayotabirika (deterministic math). Kwa kufanya mchakato wa maamuzi wa modeli kuwa unaoweza kuonekana kikamilifu na kurudiwa, watafiti waliondoa "makadirio ya kubahatisha" ambayo kwa kawaida hupunguza ufanisi wa mikakati ya biashara inayojiendesha kwa LLM.

Nani anashinda, nani anapoteza

Kwa watengenezaji wanaojenga bot za kifedha, somo ni wazi: ikiwa wakala ana ufikiaji wa mazingira ya utendaji (runtime environment), maelekezo lazima yamlazimishe kueleza kila maarifa yanayoweza kutekelezwa kama kodi. Kupuuza kanuni hii kunaruhusu modeli kuchukulia matokeo ya zana kama mazungumzo ya nyuma (background chatter), jambo ambalo linaweza kupunguza ufanisi na kuongeza hatari.

Mipaka na hoja za kinyume

Nini cha kufuatilia baadaye

Funzo: Kuruhusu LLM kuandika upya seti yake ya maelekezo kunalazimisha kila uamuzi wa biashara kuwa katika kodi inayoweza kuhakikiwa, na kubadilisha wakala wa maandishi usio na mwelekeo kuwa injini yenye nidhamu na mapato ya juu. Watengenezaji wanaopuuza mkataba wa maelekezo-na-zana (prompt-tool contract) wanahatarisha kupoteza faida.