論文の概要: To Trade or Not to Trade: An Agentic Approach to Estimating Market Risk Improves Trading Decisions

• arxiv url: http://arxiv.org/abs/2507.08584v1
• Date: Fri, 11 Jul 2025 13:29:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-14 18:03:54.371742
• Title: To Trade or Not to Trade: An Agentic Approach to Estimating Market Risk Improves Trading Decisions
• Title（参考訳）: 市場リスクを推定するエージェント的アプローチによる取引決定の改善
• Authors: Dimitrios Emmanoulopoulos, Ollie Olby, Justin Lyon, Namid R. Stillman,
• Abstract要約: 大規模言語モデル(LLM)はますますエージェントフレームワークにデプロイされている。 我々は LLM を用いて金融時系列の微分方程式を反復的に発見するエージェントシステムを開発した。 モデルインフォームドトレーディング戦略は標準LLMエージェントよりも優れていた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) are increasingly deployed in agentic frameworks, in which prompts trigger complex tool-based analysis in pursuit of a goal. While these frameworks have shown promise across multiple domains including in finance, they typically lack a principled model-building step, relying instead on sentiment- or trend-based analysis. We address this gap by developing an agentic system that uses LLMs to iteratively discover stochastic differential equations for financial time series. These models generate risk metrics which inform daily trading decisions. We evaluate our system in both traditional backtests and using a market simulator, which introduces synthetic but causally plausible price paths and news events. We find that model-informed trading strategies outperform standard LLM-based agents, improving Sharpe ratios across multiple equities. Our results show that combining LLMs with agentic model discovery enhances market risk estimation and enables more profitable trading decisions.
• Abstract（参考訳）: 大規模言語モデル(LLM)はエージェントフレームワークにますますデプロイされ、目標を追求するために複雑なツールベースの分析をトリガーする。 これらのフレームワークはファイナンスを含む複数のドメインで約束されているが、一般的にはモデル構築の原則が欠如しており、感情や傾向に基づく分析に依存している。 金融時系列の確率微分方程式を反復的に発見するために, LLMを用いたエージェントシステムを開発することにより, このギャップに対処する。 これらのモデルは、日々の取引決定を知らせるリスクメトリクスを生成します。 我々は従来のバックテストと市場シミュレータの両方でシステムを評価する。 モデルインフォームドトレーディング戦略は、標準LLMエージェントよりも優れており、複数の株式におけるシャープ比が向上している。 以上の結果から, LLMとエージェントモデル探索を組み合わせることで, 市場リスクの推定が促進され, より収益性の高い取引決定が可能になることが示唆された。

関連論文リスト

• 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)
• 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)
• ReMA: Learning to Meta-think for LLMs with Multi-Agent Reinforcement Learning [53.817538122688944]
  Reinforced Meta-thinking Agents (ReMA) を導入し,Large Language Models (LLMs) の推論からメタ思考行動を求める。 ReMAは、推論プロセスを2つの階層的なエージェントに分解する。戦略上の監視と計画を生成するハイレベルなメタ思考エージェントと、詳細な実行のための低レベルな推論エージェントである。 単ターン実験による実験結果から、ReMAは複雑な推論タスクにおいて単エージェントRLベースラインよりも優れることが示された。
  論文  参考訳（メタデータ） (2025-03-12T16:05:31Z)
• Adversarial Reasoning at Jailbreaking Time [49.70772424278124]
  大規模言語モデル(LLM)は、より有能で広く普及している。 テスト時間計算の標準化, 測定, スケーリングの最近の進歩は, ハードタスクにおける高い性能を達成するためにモデルを最適化するための新しい手法を提案する。 本稿では、これらの進歩をジェイルブレイクモデルに応用し、協調LDMから有害な応答を誘発する。
  論文  参考訳（メタデータ） (2025-02-03T18:59:01Z)
• TradingAgents: Multi-Agents LLM Financial Trading Framework [4.293484524693143]
  TradingAgentsは、トレーディング会社にインスパイアされた新しい株式トレーディングフレームワークを提案する。 基本的なアナリスト、センチメントアナリスト、テクニカルアナリスト、さまざまなリスクプロファイルを持つトレーダーといった専門的な役割でLLMを動力とするエージェントが特徴である。 動的で協調的なトレーディング環境をシミュレートすることで、このフレームワークはトレーディングのパフォーマンスを改善することを目指している。
  論文  参考訳（メタデータ） (2024-12-28T12:54:06Z)
• FinVision: A Multi-Agent Framework for Stock Market Prediction [0.0]
  本研究では,金融取引タスクに特化して設計されたマルチモーダルマルチエージェントシステムを提案する。 提案手法の重要な特徴はリフレクションモジュールの統合である。
  論文  参考訳（メタデータ） (2024-10-29T06:02:28Z)
• When AI Meets Finance (StockAgent): Large Language Model-based Stock Trading in Simulated Real-world Environments [55.19252983108372]
  LLMによって駆動される、StockAgentと呼ばれるマルチエージェントAIシステムを開発した。 StockAgentを使えば、ユーザーはさまざまな外部要因が投資家取引に与える影響を評価することができる。 AIエージェントに基づく既存のトレーディングシミュレーションシステムに存在するテストセットのリーク問題を回避する。
  論文  参考訳（メタデータ） (2024-07-15T06:49:30Z)
• An Auction-based Marketplace for Model Trading in Federated Learning [54.79736037670377]
  フェデレートラーニング(FL)は、局所的な分散データを用いたトレーニングモデルにおいて、その効果がますます認識されている。 FLはモデルのマーケットプレースであり、顧客は買い手と売り手の両方として振る舞う。 本稿では,性能向上に基づく適切な価格設定を実現するため,オークションベースのソリューションを提案する。
  論文  参考訳（メタデータ） (2024-02-02T07:25:53Z)
• 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)
• Trader-Company Method: A Metaheuristic for Interpretable Stock Price Prediction [3.9189409002585562]
  金融市場では、機械学習ベースのモデルの実践的応用を妨げるいくつかの課題がある。 本稿では,金融機関とトレーダーの役割を模倣する新たな進化モデルであるTrader-Company法を提案する。 トレーダーと呼ばれる複数の弱い学習者からの提案を集約し、将来の株式リターンを予測します。
  論文  参考訳（メタデータ） (2020-12-18T13:19:27Z)

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。