論文の概要: Can LLM-based Financial Investing Strategies Outperform the Market in Long Run?

• arxiv url: http://arxiv.org/abs/2505.07078v2
• Date: Tue, 20 May 2025 14:51:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:52.245231
• Title: Can LLM-based Financial Investing Strategies Outperform the Market in Long Run?
• Title（参考訳）: LLMに基づく金融投資戦略は長期にわたって市場を上回るのか?
• Authors: Weixian Waylon Li, Hyeonjun Kim, Mihai Cucuringu, Tiejun Ma,
• Abstract要約: 大規模言語モデル(LLM)は、資産価格のタスクや株式取引アプリケーションに利用されており、AIエージェントが非構造化の財務データから投資決定を生成することができる。 我々は、より長い期間にわたるタイミングベースの戦略とより大きなシンボルの宇宙を評価するバックテストフレームワークであるFINSABERを提案し、それらの一般化性と堅牢性を批判的に評価する。
• 参考スコア（独自算出の注目度）: 5.968528974532717
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Models (LLMs) have recently been leveraged for asset pricing tasks and stock trading applications, enabling AI agents to generate investment decisions from unstructured financial data. However, most evaluations of LLM timing-based investing strategies are conducted on narrow timeframes and limited stock universes, overstating effectiveness due to survivorship and data-snooping biases. We critically assess their generalizability and robustness by proposing FINSABER, a backtesting framework evaluating timing-based strategies across longer periods and a larger universe of symbols. Systematic backtests over two decades and 100+ symbols reveal that previously reported LLM advantages deteriorate significantly under broader cross-section and over a longer-term evaluation. Our market regime analysis further demonstrates that LLM strategies are overly conservative in bull markets, underperforming passive benchmarks, and overly aggressive in bear markets, incurring heavy losses. These findings highlight the need to develop LLM strategies that are able to prioritise trend detection and regime-aware risk controls over mere scaling of framework complexity.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、最近、資産価格のタスクや株式取引アプリケーションに利用されており、AIエージェントが非構造化財務データから投資決定を生成することができる。 しかし、LLMのタイミングに基づく投資戦略の評価のほとんどは、生存率とデータスヌーピングバイアスによるオーバスタッキング効果により、狭い時間枠と限られたストック・ユニバースに基づいて行われる。 我々は、より長い期間にわたるタイミングベースの戦略とより大きなシンボルの宇宙を評価するバックテストフレームワークであるFINSABERを提案し、それらの一般化性と堅牢性を批判的に評価する。 20年以上にわたる体系的バックテストと100以上のシンボルにより, LLMのメリットは, より広範な横断的, 長期的評価において著しく低下していたことが判明した。 我々の市場構造分析は、LLM戦略が強気市場において過度に保守的であり、受動的ベンチマークを過小評価し、熊市場で過度に攻撃的であり、大きな損失をもたらすことをさらに示している。 これらの知見は,フレームワークの複雑さの単なるスケーリングよりも,トレンド検出や状況認識型リスクコントロールを優先できるLCM戦略の開発の必要性を強調している。

関連論文リスト

• Language Model Guided Reinforcement Learning in Quantitative Trading [0.0]
  大規模言語モデル(LLM)は、最近、戦略的推論とマルチモーダルな金融信号解釈を実証している。 LLMがRLエージェントを行動に導くための高レベルのトレーディング戦略を生成するハイブリッドシステムを提案する。
  論文  参考訳（メタデータ） (2025-08-04T12:52:11Z)
• Your AI, Not Your View: The Bias of LLMs in Investment Analysis [55.328782443604986]
  大規模言語モデル(LLM)は、事前訓練されたパラメトリック知識とリアルタイム市場データとの相違により、しばしば知識の衝突に直面している。 本稿では, LLMに基づく投資分析において, 確認バイアスの定量的分析を行った。 われわれは、大口株に対する一貫した選好と、ほとんどのモデルにおけるコントラリアン戦略を観察する。
  論文  参考訳（メタデータ） (2025-07-28T16:09:38Z)
• Time Travel is Cheating: Going Live with DeepFund for Real-Time Fund Investment Benchmarking [12.837781884216227]
  LLM(Large Language Models)は、財務タスクにまたがる顕著な機能を示す。 複雑なファンド投資を管理するための現実的な効果は、まだ不十分に評価されている。 我々は,LLMをリアルタイム市場環境で厳格に評価するために設計された,ライブファンドベンチマークツールであるDeepFundを紹介する。
  論文  参考訳（メタデータ） (2025-05-16T10:00:56Z)
• Cross-Asset Risk Management: Integrating LLMs for Real-Time Monitoring of Equity, Fixed Income, and Currency Markets [30.815524322885754]
  大規模言語モデル(LLM)は金融分野において強力なツールとして登場した。 LLMを利用したクロス・アセット・リスク・マネジメント・フレームワークを導入し、株式・固定所得・通貨市場のリアルタイムモニタリングを容易にする。
  論文  参考訳（メタデータ） (2025-04-05T22:28:35Z)
• Do We Truly Need So Many Samples? Multi-LLM Repeated Sampling Efficiently Scales Test-Time Compute [54.22256089592864]
  本稿では,テスト時間計算のスケールアップによるLCM性能向上のための,シンプルで効果的で費用効率のよい手法を提案する。 当社の戦略は,複数のモデルを組み込んで,補完的な強みを活用するという,新たなツイストによって,繰り返しサンプリングされる投票フレームワークを基盤としています。
  論文  参考訳（メタデータ） (2025-04-01T13:13:43Z)
• DeepFund: Will LLM be Professional at Fund Investment? A Live Arena Perspective [10.932591941137698]
  本稿では,シミュレーション環境における大規模言語モデル(LLM)を評価するための総合的なプラットフォームであるDeepFundを紹介する。 提案手法は,LLMがアナリストとマネージャの両方として機能するマルチエージェントフレームワークを実装し,投資決定の現実的なシミュレーションを作成する。 異なる市場条件と投資パラメータをまたいだモデル性能を可視化し、詳細な比較分析を可能にするWebインターフェースを提供する。
  論文  参考訳（メタデータ） (2025-03-24T03:32:13Z)
• A Deep Reinforcement Learning Approach to Automated Stock Trading, using xLSTM Networks [0.26249027950824505]
  本研究では,拡張長短期記憶(xLSTM)ネットワークと深部強化学習(DRL)アプローチを併用して,自動株式取引に利用することを検討した。 提案手法はアクターと批評家の両方でxLSTMネットワークを利用し,時系列データと動的市場環境の効果的処理を可能にする。
  論文  参考訳（メタデータ） (2025-03-12T10:56:03Z)
• Confident or Seek Stronger: Exploring Uncertainty-Based On-device LLM Routing From Benchmarking to Generalization [61.02719787737867]
  大規模言語モデル(LLM)はますますエッジデバイスにデプロイされ、民主化されている。 1つの有望な解決策は不確実性に基づくSLMルーティングであり、SLM上での低信頼応答が発生すると、高い要求を強いLCMにオフロードする。 我々は1500以上の設定でSLMからLLMへの不確実性駆動型ルーティング戦略のベンチマークと一般化を包括的に調査する。
  論文  参考訳（メタデータ） (2025-02-06T18:59:11Z)
• Adversarial Reasoning at Jailbreaking Time [49.70772424278124]
  テスト時間計算による自動ジェイルブレイクに対する逆推論手法を開発した。 我々のアプローチは、LSMの脆弱性を理解するための新しいパラダイムを導入し、より堅牢で信頼性の高いAIシステムの開発の基礎を築いた。
  論文  参考訳（メタデータ） (2025-02-03T18:59:01Z)
• Reinforcement Learning Framework for Quantitative Trading [0.0]
  個々の証券の潜在的な市場動向をよりよく理解するために、金融指標の有効利用には大きな断絶がある。 本研究は、金融指標を用いた正と負の購買行動を効果的に区別するRLエージェントの能力を高めることにより、これらの複雑さに対処する試みである。
  論文  参考訳（メタデータ） (2024-11-12T06:44:28Z)
• Automate Strategy Finding with LLM in Quant Investment [15.475504003134787]
  本稿では,大規模言語モデル(LLM)をリスク認識型マルチエージェントシステム内で活用し,定量的ファイナンスにおける戦略発見を自動化する新しい3段階フレームワークを提案する。 本手法は,金融分野における従来のディープラーニングモデルの脆さに対処するものである。 実験結果は、確立されたベンチマークと比較して、中国とアメリカの市場体制における戦略の堅牢な性能を示している。
  論文  参考訳（メタデータ） (2024-09-10T07:42:28Z)
• AlphaFin: Benchmarking Financial Analysis with Retrieval-Augmented Stock-Chain Framework [48.3060010653088]
  我々はAlphaFinデータセットをリリースし、従来の研究データセット、リアルタイム財務データ、手書きのチェーン・オブ・プリート(CoT)データを組み合わせています。 次に、AlphaFinデータセットを使用して、金融分析タスクを効果的に処理するために、Stock-Chainと呼ばれる最先端の手法をベンチマークします。
  論文  参考訳（メタデータ） (2024-03-19T09:45:33Z)
• FinBen: A Holistic Financial Benchmark for Large Language Models [75.09474986283394]
  FinBenは、24の財務タスクにまたがる36のデータセットを含む、最初の大規模なオープンソース評価ベンチマークである。 FinBenは、幅広いタスクとデータセット、ストックトレーディングの最初の評価、新しいエージェントと検索可能な生成(RAG)の評価、およびテキスト要約、質問応答、株式トレーディングのための3つの新しいオープンソース評価データセットを提供する。
  論文  参考訳（メタデータ） (2024-02-20T02:16:16Z)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [51.3422222472898]
  ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。 我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)
• Time your hedge with Deep Reinforcement Learning [0.0]
  深層強化学習(DRL)は、市場情報とヘッジ戦略の割り当て決定の間のダイナミックな依存関係を作成することで、この課題に対処することができる。 i)行動決定に追加の文脈情報を使用し、(ii)共通の資産運用者の1日のラグ転倒を考慮し、ヘッジの再均衡を図るための観察と行動の間に1期間の遅れがあり、(iii)アンカードウォークフォワードトレーニングと呼ばれる反復的な試験方法により、安定性とロバスト性の観点から完全にテストされており、(iv)時系列のkフォールドクロスバリデーションと同様に、ヘッジの活用を可能にする。
  論文  参考訳（メタデータ） (2020-09-16T06:43:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。