LLM 트레이딩 에이전트는 시장 데이터·뉴스·실행 분석을 결합할 수 있지만, 배포 전 고정된 손수 작성 도구 사용 정책 때문에 시장 국면 변화에 맞춰 정보 수집이나 리스크 관리 방식을 바꾸기 어렵다. EvolveTrade는 트레이딩 에이전트의 시스템 프롬프트 자체를 텍스트로 매개변수화된 정책으로 취급하는 자기진화형 프레임워크로, 매 업데이트 주기마다 정책 에이전트가 누적된 의사결정 기록과 실현된 포트폴리오 피드백을 바탕으로 이 정책을 개정하고, 백본 LLM 자체는 그대로 둔 채 다음 거래 배치에 반영한다. 여러 시장 국면과 두 종류의 LLM 백본에서 실험한 결과 EvolveTrade는 대부분의 설정에서 고정형 정책 기준선보다 샤프비율과 누적수익률을 개선했고, 행동 분석 결과 자기진화한 정책은 코드 기반 분석을 늘리고 국면에 맞는 연산을 더 많이 활성화하는 것으로 나타났다.

• •시스템 프롬프트를 텍스트 매개변수화된 정책으로 취급해 스스로 개정하는 자기진화형 트레이딩 프레임워크 EvolveTrade 제안
• •누적 의사결정 기록과 포트폴리오 피드백으로 정책 에이전트가 매 주기 정책을 갱신, 백본 LLM은 고정
• •여러 시장 국면·두 LLM 백본 실험에서 대부분 설정에서 샤프비율과 누적수익률 개선
• •자기진화 정책이 코드 기반 분석과 국면 맞춤 연산 활성화를 늘리는 경향 확인