論文の概要: FinMarBa: A Market-Informed Dataset for Financial Sentiment Classification

• arxiv url: http://arxiv.org/abs/2507.22932v1
• Date: Thu, 24 Jul 2025 16:27:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-01 17:19:08.230333
• Title: FinMarBa: A Market-Informed Dataset for Financial Sentiment Classification
• Title（参考訳）: FinMarBa:金融センチメント分類のための市場インフォームドデータセット
• Authors: Baptiste Lefort, Eric Benhamou, Beatrice Guez, Jean-Jacques Ohana, Ethan Setrouk, Alban Etienne,
• Abstract要約: 本稿では,軽量大言語モデル (LLM) と深層強化学習 (DRL) を統合したポートフォリオ最適化のための新しい階層型フレームワークを提案する。 我々の3層アーキテクチャは、ベースRLエージェントを使用してハイブリッドデータを処理する。メタエージェントは意思決定を集約し、スーパーエージェントは市場データと感情分析に基づいて意思決定をマージする。 このフレームワークは毎年26%のリターンを達成し、シャープ比は1.2で、等級とS&P 500ベンチマークを上回っている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a novel hierarchical framework for portfolio optimization, integrating lightweight Large Language Models (LLMs) with Deep Reinforcement Learning (DRL) to combine sentiment signals from financial news with traditional market indicators. Our three-tier architecture employs base RL agents to process hybrid data, meta-agents to aggregate their decisions, and a super-agent to merge decisions based on market data and sentiment analysis. Evaluated on data from 2018 to 2024, after training on 2000-2017, the framework achieves a 26% annualized return and a Sharpe ratio of 1.2, outperforming equal-weighted and S&P 500 benchmarks. Key contributions include scalable cross-modal integration, a hierarchical RL structure for enhanced stability, and open-source reproducibility.
• Abstract（参考訳）: 本稿では、ポートフォリオ最適化のための新しい階層的枠組みを提案し、金融ニュースからの感情信号を従来の市場指標と組み合わせるために、軽量なLarge Language Models(LLM)とDeep Reinforcement Learning(DRL)を統合する。 我々の3層アーキテクチャは、ベースRLエージェントを使用してハイブリッドデータを処理する。メタエージェントは意思決定を集約し、スーパーエージェントは市場データと感情分析に基づいて意思決定をマージする。 2018年から2024年にかけてのデータに基づいて評価され、2000～2017年のトレーニングを経て、このフレームワークは毎年26%のリターンとシャープ比1.2を達成し、同等の重み付けとS&P 500ベンチマークを上回っている。 主なコントリビューションとしては、スケーラブルなクロスモーダル統合、安定性向上のための階層的なRL構造、オープンソース再現性などがある。

関連論文リスト

• Statistical Arbitrage in Polish Equities Market Using Deep Learning Techniques [0.0]
  我々は,一般的な統計アービタージュ手法であるペアズ・トレーディング(Pairs Trading)の体系的アプローチについて検討した。 第2の資産をリスクファクター表現を使用した第1の複製に置き換える。 Avellaneda と Lee (2008) の枠組みをポーランド市場に適用する。
  論文  参考訳（メタデータ） (2025-11-20T21:09:34Z)
• Bridging VLMs and Embodied Intelligence with Deliberate Practice Policy Optimization [72.20212909644017]
  Deliberate Practice Policy Optimization (DPPO) はメタ認知型メタループのトレーニングフレームワークである。 DPPOは教師付き微調整(能力拡張)と強化学習(技能向上)の交互に行う 実証的には、DPPO(Pelican-VL 1.0)で視覚言語を具現化したモデルをトレーニングすると、ベースモデルよりも20.3%パフォーマンスが向上する。 私たちはモデルとコードをオープンソースにして、データとリソースのボトルネックを軽減する最初の体系的なフレームワークを提供しています。
  論文  参考訳（メタデータ） (2025-11-20T17:58:04Z)
• When Agents Trade: Live Multi-Market Trading Benchmark for LLM Agents [74.55061622246824]
  Agent Market Arena (AMA)は、LLM(Large Language Model)ベースのトレーディングエージェントを評価するための、初めてのリアルタイムベンチマークである。 AMAは、検証済みのトレーディングデータ、専門家チェックされたニュース、および統一されたトレーディングフレームワーク内に多様なエージェントアーキテクチャを統合する。 GPT-4o、GPT-4.1、Claude-3.5-haiku、Claude-sonnet-4、Gemini-2.0-flashにまたがる薬剤を評価する。
  論文  参考訳（メタデータ） (2025-10-13T17:54:09Z)
• MMR1: Enhancing Multimodal Reasoning with Variance-Aware Sampling and Open Resources [113.33902847941941]
  VAS (Variance-Aware Sampling) は、Variance Promotion Score (VPS) によって導かれるデータ選択戦略である。 我々は、1.6MのCoT冷間開始データと15kのRLQAペアを含む大規模かつ慎重にキュレートされたリソースをリリースする。 数学的推論ベンチマークによる実験では、キュレートされたデータと提案されたVASの有効性が示されている。
  論文  参考訳（メタデータ） (2025-09-25T14:58:29Z)
• QTMRL: An Agent for Quantitative Trading Decision-Making Based on Multi-Indicator Guided Reinforcement Learning [5.438637626629327]
  本稿では,多次元技術指標と強化学習(RL)を組み合わせた知的取引エージェントであるQTMRL(Quantitative Trading Multi-Indicator Reinforcement Learning)を提案する。 まず,S&P 500日毎OHLCVデータ(2000-2022)を用いて,5つのセクターにまたがる16の代表的な在庫について,23年間のS&P500日毎OHLCVデータ(2000-2022)を用いて総合的多指標データセットを構築した。 次に、データ処理、A2Cアルゴリズム、トレーディングエージェントモジュールを含むAdvantage Actor-Critic(A2C)アルゴリズムに基づく軽量RLフレームワークを設計する。
  論文  参考訳（メタデータ） (2025-08-28T06:37:41Z)
• HARLF: Hierarchical Reinforcement Learning and Lightweight LLM-Driven Sentiment Integration for Financial Portfolio Optimization [0.0]
  本稿では,軽量大言語モデル (LLM) と深層強化学習 (DRL) を統合したポートフォリオ最適化のための新しい階層型フレームワークを提案する。 我々の3層アーキテクチャは、ベースRLエージェントを使用してハイブリッドデータを処理する。メタエージェントは意思決定を集約し、スーパーエージェントは市場データと感情分析に基づいて意思決定をマージする。 このフレームワークは毎年26%のリターンを達成し、シャープ比は1.2で、等級とS&P 500ベンチマークを上回っている。
  論文  参考訳（メタデータ） (2025-07-24T16:35:24Z)
• Building crypto portfolios with agentic AI [46.348283638884425]
  暗号通貨市場の急速な成長は投資家に新たな機会を与えたが、同時に高いボラティリティがもたらされた。 本稿では,暗号アロケーションを自律的に構築し,評価するためのマルチエージェントシステムの実用化について述べる。
  論文  参考訳（メタデータ） (2025-07-11T18:03:51Z)
• Benchmarking Post-Training Quantization in LLMs: Comprehensive Taxonomy, Unified Evaluation, and Comparative Analysis [89.60263788590893]
  後学習量子化(PTQ)技術は大規模言語モデル(LLM)圧縮に広く採用されている。 既存のアルゴリズムは主にパフォーマンスに重点を置いており、モデルサイズ、パフォーマンス、量子化ビット幅間のトレードオフを見越している。 本稿では LLM PTQ のための新しいベンチマークを提案する。
  論文  参考訳（メタデータ） (2025-02-18T07:35:35Z)
• MarketSenseAI 2.0: Enhancing Stock Analysis through LLM Agents [0.0]
  LLM(Large Language Models)の急速な技術拡張にともなうMarketSenseAIの最近の進歩について紹介する。 MarketSenseAIはSECの提出書類と決算報告を処理し、さまざまな機関報告の体系的な処理を通じてマクロ経済分析を強化している。 2年間にわたるS&P100株の実証評価(2023-2024)によると、マーケットセンスAIは73.5%に比べて125.9%の累積リターンを達成している。
  論文  参考訳（メタデータ） (2025-02-01T12:33:23Z)
• Star-Agents: Automatic Data Optimization with LLM Agents for Instruction Tuning [71.2981957820888]
  本稿では,データセット間のデータ品質向上を自動化する新しいStar-Agentsフレームワークを提案する。 このフレームワークは最初,複数のLDMエージェントを用いた多様なインストラクションデータを生成する。 生成したデータは、難易度と品質の両方を評価する二重モデル法を用いて厳密な評価を行う。
  論文  参考訳（メタデータ） (2024-11-21T02:30:53Z)
• 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)
• Dynamic Datasets and Market Environments for Financial Reinforcement Learning [68.11692837240756]
  FinRL-Metaは、現実世界の市場からジムスタイルの市場環境へ動的データセットを処理するライブラリである。 我々は,ユーザが新しい取引戦略を設計するための足場として,人気のある研究論文を例示し,再現する。 また、ユーザが自身の結果を視覚化し、相対的なパフォーマンスを評価するために、このライブラリをクラウドプラットフォームにデプロイします。
  論文  参考訳（メタデータ） (2023-04-25T22:17:31Z)
• FinRL-Meta: A Universe of Near-Real Market Environments for Data-Driven Deep Reinforcement Learning in Quantitative Finance [58.77314662664463]
  FinRL-Metaは、データ駆動型金融強化学習のための市場環境の宇宙を構築している。 まず、FinRL-MetaはDRLベースの戦略の設計パイプラインから財務データ処理を分離する。 第2に、FinRL-Metaは様々な取引タスクに数百の市場環境を提供している。
  論文  参考訳（メタデータ） (2021-12-13T16:03:37Z)
• Robo-Advising: Enhancing Investment with Inverse Optimization and Deep Reinforcement Learning [13.23731449431572]
  2つのMLエージェントからなるフルサイクルデータ駆動型投資ロボマネジメントフレームワークを提案する。 提案された投資パイプラインは、2016年4月1日から2021年2月1日までの実際の市場データに適用され、S&P 500ベンチマークポートフォリオを一貫して上回っている。
  論文  参考訳（メタデータ） (2021-05-19T17:20:03Z)
• Deep Learning for Portfolio Optimization [5.833272638548154]
  個々の資産を選択する代わりに、ポートフォリオを形成するために市場指標のETF(Exchange-Traded Funds)を交換します。 我々は,本手法を広範囲のアルゴリズムと比較し,本モデルがテスト期間中に最高の性能を得ることを示す。
  論文  参考訳（メタデータ） (2020-05-27T21:28:43Z)
• Reinforcement-Learning based Portfolio Management with Augmented Asset Movement Prediction States [71.54651874063865]
  ポートフォリオマネジメント(PM)は、最大利益や最小リスクといった投資目標を達成することを目的としている。 本稿では,PMのための新しいステート拡張RLフレームワークであるSARLを提案する。 当社の枠組みは, 金融PMにおける2つのユニークな課題に対処することを目的としている。(1) データの異種データ -- 資産毎の収集情報は通常, 多様性, ノイズ, 不均衡(ニュース記事など), (2) 環境の不確実性 -- 金融市場は多様で非定常である。
  論文  参考訳（メタデータ） (2020-02-09T08:10:03Z)

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。