La qualità di un agente di trading basato su LLM non dipende solo dal modello scelto, ma da come l'agente decide di usare i tool. Nella maggior parte dei casi quella procedura è scritta a mano e congelata prima del deployment: quali dati raccogliere, quando invocare un'analisi, come verificare un segnale, quanto rischio accettare. EvolveTrade parte da un'idea diversa. Tratta il system prompt come una politica parametrizzata in linguaggio naturale e la affida a un Policy Agent che la rivede a intervalli regolari. Il backbone LLM resta fisso: a cambiare è il testo che ne guida il comportamento.

Questa separazione ha conseguenze pratiche non banali. Aggiornare una policy diventa un intervento sul testo, non un nuovo fine-tuning del modello. Per chi esegue questi sistemi in ambienti finanziari con vincoli di audit, ciò significa poter versionare le regole operative con gli stessi strumenti del codice, rievocare esattamente la policy usata in una data sessione e spiegare una decisione risalendo alla modifica testuale che l'ha determinata. Il costo computazionale resta legato all'inference del modello fisso; le variazioni di policy non richiedono nuova VRAM né modifiche ai pesi. Il risultato è un ciclo di miglioramento più leggero, ma non privo di rischi.

Il punto critico è il feedback. EvolveTrade usa tracce decisionali accumulate e ritorni realizzati di portafoglio. Non parte da un segnale astratto: impara dalla conseguenza economica delle scelte precedenti. Gli esperimenti, su più regimi di mercato e due backbone LLM, mostrano che spesso il sistema migliora Sharpe Ratio e Cumulative Return rispetto a policy fisse. Le analisi comportamentali aggiungono un dettaglio interessante: le policy auto-evolute aumentano l'uso di analisi mediate da codice e attivano calcoli rilevanti per il regime di mercato corrente. In pratica, il testo non diventa solo più lungo o ridondante: cambia la distribuzione del lavoro tra linguaggio e strumenti deterministici.

Questo sposta il controllo dal modello alla procedura. Per un team che valuta un deployment on-premise, la domanda non è più solo quale LLM gira localmente, ma come proteggere e revisionare la catena di policy che evolve. Un prompt che si modifica da solo introduce un nuovo oggetto da monitorare: derive semantiche, comportamenti emergenti e potenziali conflitti con le regole di compliance. In finanza il problema è amplificato perché una policy può diventare più aggressiva non per scelta esplicita, ma per rinforzo statistico di sequenze che hanno funzionato in un regime passato. L'analisi per attribuzione caso-level cerca di tracciare esattamente questo nesso: come una modifica indotta dalla policy cambia le allocazioni e, da lì, il rendimento realizzato.

C'è una tensione strutturale tra adattamento e governabilità. Da un lato, un sistema che aggiorna la propria procedura è più robusto ai cambi di regime. Dall'altro, un agente che riscrive le proprie istruzioni di uso dei tool richiede un controllo più granulare, non meno. Chi sviluppa questi sistemi deve decidere se il Policy Agent opera in un sandbox con revisione umana, se le modifiche alle policy sono tracciabili come commit, e se i log delle decisioni includono abbastanza contesto per un audit indipendente. La fonte non specifica architettura di deployment né hardware, ma il problema è rilevante per chi gestisce dati di mercato sensibili: l'evoluzione autonoma delle procedure non elimina la necessità di confini infrastrutturali.

In sintesi, EvolveTrade mostra che la parte riusabile del comportamento di un agente di trading non è soltanto il modello, ma la politica testuale che ne orchestra i tool. Migliorare quella politica senza toccare i pesi è una direzione che riduce il costo di adattamento e aumenta la verificabilità, almeno in linea di principio. Ma introduce anche un nuovo livello di rischio operativo: la policy diventa un artefatto vivo, da versionare e sottoporre a controllo, non un prompt statico da citare nella documentazione.