Resumo Técnico: Assinaturas de Representação e Alinhamento de Risco-Feedback em Agentes de Trading com LLM

1. Declaração do Problema

Agentes de Modelos de Linguagem de Grande Escala (LLM) estão sendo cada vez mais aplicados à tomada de decisões financeiras de alto risco, no entanto, os paradigmas de avaliação atuais frequentemente reduzem sistemas de trading complexos a curvas de retorno únicas ou backtests idealizados. Essa abordagem obscurece modos de falha críticos, como o uso de informações futuras, a imposição de restrições de risco, o realismo das suposições de execução e a reprodutibilidade dos fundamentos das decisões.

O artigo postula uma questão científica: Quando agentes LLM tomam decisões financeiras sob restrições explícitas, suas representações internas e intenções revelam assinaturas mensuráveis de alinhamento ou falha antes que ocorra um drawdown? Os autores argumentam que uma curva de retorno isolada não pode determinar se um modelo antecipou um colapso, alucinou contexto, aprendeu com relatórios de risco ou propôs repetidamente exposições concentradas que exigiram correção externa.

2. Metodologia: TradeArena

Para abordar essas lacunas, os autores introduzem o TradeArena, um ambiente de teste auditável para agentes de trading projetado para tornar as dinâmicas de decisão inspecionáveis. O sistema é construído sobre seis objetivos de design: modularidade, reprodutibilidade, realismo de execução, consciência de risco, auditabilidade e avaliação nativa do agente.

Arquitetura do Sistema

O TradeArena separa o ciclo de vida do agente em componentes distintos e substituíveis:

• Camada de Dados: Fornece dados de mercado com carimbo de data/hora (OHLCV), notícias e sinais macroeconômicos.
• Ciclo de Vida do Agente: Registra o loop observar-planejar-ferramenta-risco-agir-refletir.
• Camada de Risco: Atua como uma etapa de primeira classe que pode cortar, bloquear ou anotar decisões antes da execução.
• Simulador de Execução: Modela atritos realistas, incluindo comissões, deslizamento (slippage), latência, execuções parciais e rejeições de ordens.
• Memória e Ferramentas: Mantém estado, diários e permite ferramentas de backtesting.
• Log de Trajetória: Agrega todos os estados, rastros, relatórios e sementes em um formato JSON reproduzível.

Protocolos Experimentais

O estudo emprega um desenho experimental multifacetado:

• Benchmarks Sintéticos: Utiliza 3 ativos sintéticos ao longo de 120 períodos de decisão com 30 sementes aleatórias para estabelecer robustez estatística.
• Validação Histórica: Testes no S&P 500 (GSPC), Bitcoin e Ethereum (2021–2026) com decisões semanais.
• Complexidade Intradiária: Um experimento intradiário de 1 hora com 51 ações para testar o raciocínio de correlação de alta dimensão.
• Sondas de Crise: Simulações com máscara de carimbo de data/hora do drawdown de Tecnologia/Taxas de 2022 e do choque do SVB/bancos regionais de 2023.
• Matriz de Modelos: Avalia modelos de fronteira (GPT-5.5, Gemini 3.1 Pro, Kimi K2.5, GLM-5, Claude Opus 4.7, DeepSeek V4 Pro) por meio de uma interface mediada pelo Poe em cache e verificações diretas do provedor.

Sondas de Diagnóstico

Para isolar assinaturas de falha, os autores empregam várias ablações e testes de estresse:

• Embeddings de Representação: Utiliza embeddings de hash determinísticos, Análise Semântica Latente (LSA), embeddings do Transformer BGE-M3 e uma sonda de estado oculto de caixa branca Qwen2.5 para medir o "rank efetivo" e deslocamentos geométricos.
• Ablações: Sem CoT (apenas pesos JSON), controles lexicais (razão tipo-token), injeção de ruído (choques OHLCV Gaussianos de até 20%) e relatórios de auditoria falsa contrarianos.
• Variantes de Feedback: Compara feedback Verdadeiro (relatórios de risco reais), feedback Placebo (relatórios estruturados mas falsos) e feedback Oculto (sem relatórios).

3. Principais Contribuições

A. Assinaturas de Representação de Falha

A descoberta central é que as representações de decisão de LLM exibem assinaturas pré-falha mensuráveis.

• Deslocamentos Geométricos: Antes dos drawdowns, os embeddings de planejamento deslocam-se para longe dos centróides do estado normal.
• Contração do Rank Efetivo: A dimensionalidade do manifold de decisão contrai-se antes da falha. Isso é observado em embeddings de hash, LSA, BGE-M3 e estados ocultos de caixa branca.
• Poder Preditivo: Representações fundidas de plano-risco distinguem estados normais de estados pré-drawdown com precisão balanceada de até 0,807.
• Robustez: Essas assinaturas persistem sob condições sem CoT (embora a contração do espaço de intenções varie por modelo), controles lexicais (a diversidade de vocabulário não colapsa) e ruído de mercado significativo (perturbação OHLCV de 20%).

B. Alinhamento de Risco-Feedback e Super-Alinhamento

O feedback estruturado de risco atua como um sinal de alinhamento externo, mas seus efeitos dependem do modelo e não são universalmente benéficos.

• Verdadeiro vs. Placebo: Feedback de auditoria verdadeiro melhora o retorno e o drawdown para alguns modelos (ex: GPT-5.5, Kimi K2.5) e a calibração para outros (ex: Gemini 3.1 Pro).
• Desacoplamento do Raciocínio: Feedback placebo (relatórios falsos mas bem formados) pode induzir "desacoplamento do raciocínio", onde o modelo adota vocabulário consciente de risco e comportamento conservador sem um vínculo causal com restrições ambientais reais. Isso pode degradar a geometria da decisão (ex: aumento da distorção de caminho no Gemini 3.1 Pro) sem melhorar o desempenho.
• Calibração de Confiança: Auditorias falsas adversárias e severas induzem um desvio conservador. Embora alguns modelos (Gemini) mostrem pequenos ganhos de desempenho, outros (GPT-5.5, Claude) sofrem degradação de desempenho, indicando uma falha de calibração de confiança onde os modelos se alinham cegamente a sinais supervisores falsos.

C. Limites do Raciocínio Financeiro de Alta Dimensão

O experimento intradiário de 51 ações revela um modo de falha de cegueira para correlação.

• LLMs frequentemente atribuem pesos de intenção altos a pares de ações fortemente acoplados (ex: GOOGL/GOOG com correlação de 0,994) com base em narrativas de nome único.
• Diferentemente de uma linha de base de variância mínima de Markowitz que diversifica mecanicamente, os LLMs falham em internalizar restrições de covariância de segunda ordem, forçando a camada externa de risco a cortar posições repetidamente.
• Isso sugere um estreitamento cognitivo onde os modelos priorizam narrativas lineares de nível de nome sobre a estrutura estatística de nível de portfólio.

D. Substrato Experimental Auditável

O TradeArena fornece a infraestrutura necessária para ir além dos "retornos de manchete" em direção a sistemas de decisão responsáveis. Demonstra que as diferenças de desempenho são frequentemente artefatos de suposições de execução (ex: execuções ideais vs. realistas) ou restrições de risco, que só são visíveis através do registro completo da trajetória.

4. Resumo dos Resultados

• Desempenho vs. Risco: Em benchmarks sintéticos, agentes conscientes de risco melhoram os índices de Sharpe (7,696 vs. 2,913) e reduzem o drawdown máximo (-0,025 vs. -0,261) em comparação com comprar e segurar, embora possam ter taxas de execução ligeiramente menores devido ao trading ativo.
• Realismo de Execução: Ablações de execução ideal mostram retornos significativamente mais altos, confirmando que suposições sem atrito inflam materialmente o desempenho. A execução realista introduz deslizamento e rejeições que amortecem os retornos, mas fornecem trilhas de auditoria válidas.
• Adaptação do Modelo: Na matriz de fronteira, o Gemini 3.1 Pro mostrou a maior autocorreção imediata após intervenções de risco (taxa de redução de 0,750), enquanto o Kimi K2.5 mostrou o melhor retorno/drawdown agregado, mas a reação mais fraca imediata aos relatórios de risco.
• Proxy de Alucinação: Alegações não suportadas nos fundamentos de LLM estão associadas a gatilhos de portão de risco e ordens rejeitadas. No entanto, a camada externa de risco frequentemente filtra essas intenções antes que se tornem falhas de execução, atenuando a correlação direta entre alucinação e perda a jusante.
• Curvas de Aprendizado: Ao longo de 52 passos de decisão, os modelos mostram pontuações de calibração melhoradas e taxas de portão de risco reduzidas, indicando que aprendem a internalizar restrições ao longo do tempo, mesmo que não se tornem lucrativos.

5. Significado e Alegações

O artigo enquadra explicitamente sua contribuição como uma alegação de pesquisa e não como uma alegação de lucratividade. Não afirma que LLMs são atualmente agentes de trading lucrativos. Em vez disso, argumenta que:

1. Feedback de Risco Auditável e Trajetórias de Representação revelam quando o raciocínio financeiro de LLM está se alinhando, desviando ou falhando.
2. A linguagem de seguimento de restrições é distinta do raciocínio fundamentado em restrições. Modelos podem soar conscientes de risco (alinhamento lexical) enquanto falham em manter um vínculo causal coerente entre evidências, restrições e ação (alinhamento lógico).
3. A Falha é Previsível: Assinaturas pré-falha (contração de representação, deslocamentos geométricos) são detectáveis e robustas em diferentes espaços de embedding e níveis de ruído.
4. A Avaliação Deve ser Holística: Uma curva de retorno é insuficiente. Uma avaliação científica de agentes financeiros deve incluir realismo de execução, cobertura do ciclo de vida de risco e diagnósticos de representação para distinguir entre desempenho genuíno de estratégia e artefatos do ambiente de teste.

Os autores concluem que o TradeArena serve como um substrato para tornar essas dinâmicas de decisão observáveis e reproduzíveis, oferecendo um caminho para diagnosticar "taxas de alinhamento" onde a conformidade textual é comprada ao custo de uma geometria de decisão distorcida.