摘要
大型语言模型正越来越多地被部署为金融交易中的自主智能体。然而，它们常常表现出一种危险的偏差，我们称之为"统一信任"，即隐含地假设检索到的信息都是事实，并将异质的信息源视为同等信息量。
这一假设与人类决策形成了鲜明对比，后者的依据是选择性过滤、交叉验证以及基于经验的信息源权重分配。因此，基于大型语言模型的交易系统特别容易受到多源噪声和错误信息的影响，这会加剧事实幻觉，并导致不稳定的风险-收益表现。
为弥合这一行为差异，我们提出了TrustTrade------一种受人类认知启发式启发的多智能体选择性共识框架。TrustTrade通过整合多个独立大型语言模型智能体的信息，并根据它们在语义和数值上的一致性来动态分配信号权重，从而用跨智能体一致性取代了统一信任。
一致的信号被优先处理，而分歧的、依据薄弱或时间上不一致的输入则被选择性地削弱。为了进一步稳定决策，TrustTrade引入了确定性的时序信号作为可重复的锚点，以及一种反思性记忆机制，该机制能在测试时自适应调整风险偏好，而无需额外训练。
这些组件共同抑制了噪声放大和由幻觉驱动的波动，从而产生更稳定、更具风险意识的交易行为。在高噪声市场环境（2024年第一季度和2026年第一季度）下的受控回测中，所提出的TrustTrade将大型语言模型的交易行为从极端的风险-收益模式校准为与人类对齐的中风险/中收益特征曲线。
关键词： 大型语言模型，自主交易智能体，多智能体共识，事实幻觉，决策不确定性