大型语言模型（LLM）代理在投资组合管理中会从经验中学习：它们把记忆中的每一次经验与使用该经验的决策结果关联。然而在金融市场上，决策结果往往被同一天的整体市场走势所主导，导致信用分配实际上追踪的是市场而非具体经验，因而这些代理常常表现不如简单的等权（$1/N$）组合。我们提出让代理能够只对经验本身产生的变化进行计分的方法，即对同一决策在有无某条经验的情况下分别进行草稿生成，让它们面对相同的市场，结果的差异即为该经验的贡献。MemTrial 为每一次决策生成八组经验组合草稿，这些组合由分数因子设计（fractional factorial design）选取，并使用 Banzhaf 值——即这些差异的平均值——来为每条经验打分。由于每个日期只出现一次且每个草稿都是噪声 LLM 采样，单日的信用分数噪声较大且可能不适用于新日期。为此，MemTrial 将跨日期及相似经验的分数通过层次贝叶斯模型进行聚合，仅在这些分数能够预测未见日期时才采纳，否则保持在保守的参考基准（如 $1/N$）。在四个基准测试中，MemTrial 不仅能够利用有价值的经验（在半合成基准上成为 15 种方法中表现最佳），还在经验价值失效时将损失限制在 $1/N$ 以下 2.2%（PortBench 与 InvestorBench），而最好的经验学习代理的损失在 15%–38% 之间。整体上，MemTrial 在五种设置的平均提升为 21.2%，并在使用八种 LLM 时在 InvestorBench 上击败所有基于 LLM 的基线。
点评