用LLM提取行为先验模拟比特币闪崩

论文用LLM提取行为先验，提升闪崩模拟器保真度。

资讯摘要

论文提出一套四阶段流程：从66个已检测事件构建可复现的100毫秒BTCUSDT闪崩事件面板，用离线大语言模型结合微观结构锚点，为四类智能体提取行为先验，再实例化异构限价订单簿模拟器，并对合成面板做因果发现与反事实分析。作者报告，500次模拟中LLM先验的闪崩率为0.176，均匀先验为0.008，且收益尾部更厚；反事实分析中杠杆放大降低一个样本内标准差，预测闪崩率从0.176降至0.136，而降低方向性压力仅带来边际变化。

要点速读

1. 论文从66个检测到的BTCUSDT闪崩事件构建100毫秒粒度事件面板，并用离线LLM为四类智能体提取行为先验。
2. 作者报告500次模拟中LLM先验闪崩率0.176，均匀先验0.008，且收益尾部更厚。
3. 冻结反事实分析显示，杠杆放大降低一个样本内标准差使预测闪崩率从0.176降至0.136，降低方向性压力变化有限。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/5 08:00:38（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。