对抗性新闻与利润损失：操纵 LLM 驱动算法交易中的新闻标题
Adversarial News and Lost Profits: Manipulating Headlines in LLM-Driven Algorithmic Trading
论文速读
据论文全文整理（AI 生成），以原文为准
研究者提出两种人眼不可见的新闻标题篡改手法，可误导 LLM 驱动的算法交易系统（ATS），在 14 个月回测中使累计收益最多下降 17.7 个百分点。
- LLM 被越来越多用于金融新闻情感分析，驱动算法交易系统（ATS）做买卖决策。若攻击者篡改新闻标题，使其对人眼不可见但被 LLM 读取，可能误导交易并造成金钱损失；此前尚无工作量化这种系统级经济影响。
- 作者设定攻击者无法直接接触 ATS，但能在某一天篡改与某只股票相关的新闻标题，采用两种人眼不可察觉的手段：Unicode 同形字替换（破坏股票名识别）和隐藏文本注入（用 display:none 等翻转情感）。他们用 Backtrader 实现一个融合 LSTM 价格预测与 LLM 情感（FinBERT 等）的 ATS，在 14 个月真实数据上做回测。
- 在无攻击时，LSTM+LLM 的 ATS 累计收益高于仅 LSTM。单日攻击即可误导 LLM：同形字使约 99% 标题无法正确映射股票，隐藏文本使约 66% 标题情感翻转；平均使年化收益下降约 3 个百分点，最坏下降 17.7 个百分点，且 ATS 仍保持盈利。跨 9 个 LLM 测试显示攻击可迁移，O3 相对更稳健。对 27 名 FinTech 从业者的调查支持该威胁模型的现实性。
- 作者不声称结果具有普遍性：ATS 的交易频率、历史窗口、券商、训练数据等都可能不同，真实系统行为也可能不同。攻击方式、同形字和隐藏文本的实现方式还有很多，输入清洗等防御存在权衡，无法覆盖全部攻击面；作者建议后续在不同 ATS 设置中复现并评估。
研究者提出两种人眼不可见的新闻标题篡改手法，可误导 LLM 驱动的算法交易系统（ATS），在 14 个月回测中使累计收益最多下降 17.7 个百分点。手法包括 Unicode 同形字替换，破坏股票名识别；以及在标题中注入 display:none 的隐藏文本，反转情感极性。作者在 Backtrader 中实现融合 LSTM 价格预测与 LLM 情感分析的 ATS，在 FinBERT 上同形字攻击使 99.1% 的标题无法正确关联股票，隐藏文本使 65.6% 的标题情感极性翻转。单日攻击平均使累计收益下降约 3.5%。跨 10 个模型的测试显示 O3 最鲁棒，金融专用模型最脆弱。
推荐理由论文用 14 个月回测量化单日标题篡改对 LLM 交易系统的收益损失，并对比 10 个模型的鲁棒性差异。