論文の概要: ContestTrade: A Multi-Agent Trading System Based on Internal Contest Mechanism
- arxiv url: http://arxiv.org/abs/2508.00554v2
- Date: Wed, 13 Aug 2025 13:17:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-14 16:17:42.776939
- Title: ContestTrade: A Multi-Agent Trading System Based on Internal Contest Mechanism
- Title（参考訳）: ContestTrade: 内部テストメカニズムに基づくマルチエージェントトレーディングシステム
- Authors: Li Zhao, Rui Sun, Zuoyou Jiang, Bo Yang, Yuxiao Bai, Mengting Chen, Xinyang Wang, Jing Li, Zuo Bai,
- Abstract要約: 大規模言語モデル(LLM)に基づくエージェントは、金融取引において大きな可能性を示す。
マーケットノイズに対する高い感度は、LLMベースのトレーディングシステムの性能を損なう。
本稿では,現代企業経営構造にインスパイアされた内部競争機構を特徴とする新しいマルチエージェントシステムを提案する。
- 参考スコア（独自算出の注目度）: 8.46483000946212
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In financial trading, large language model (LLM)-based agents demonstrate significant potential. However, the high sensitivity to market noise undermines the performance of LLM-based trading systems. To address this limitation, we propose a novel multi-agent system featuring an internal competitive mechanism inspired by modern corporate management structures. The system consists of two specialized teams: (1) Data Team - responsible for processing and condensing massive market data into diversified text factors, ensuring they fit the model's constrained context. (2) Research Team - tasked with making parallelized multipath trading decisions based on deep research methods. The core innovation lies in implementing a real-time evaluation and ranking mechanism within each team, driven by authentic market feedback. Each agent's performance undergoes continuous scoring and ranking, with only outputs from top-performing agents being adopted. The design enables the system to adaptively adjust to dynamic environment, enhances robustness against market noise and ultimately delivers superior trading performance. Experimental results demonstrate that our proposed system significantly outperforms prevailing multi-agent systems and traditional quantitative investment methods across diverse evaluation metrics. ContestTrade is open-sourced on GitHub at https://github.com/FinStep-AI/ContestTrade.
- Abstract（参考訳）: 金融取引において、大規模言語モデル(LLM)ベースのエージェントは大きな可能性を示す。
しかし、マーケットノイズに対する高い感度は、LLMベースのトレーディングシステムの性能を損なう。
この制限に対処するため,現代企業経営構造にインスパイアされた内部競争機構を特徴とする新しいマルチエージェントシステムを提案する。
データチーム(Data Team) - 巨大な市場データを多種多様なテキスト要素に処理・凝縮し、モデルの制約されたコンテキストに適合するようにする。
2)研究チーム - 深層研究手法に基づく並列化されたマルチパス取引決定を行う。
中心となるイノベーションは、各チーム内でリアルタイム評価とランキングのメカニズムを実装することです。
各エージェントのパフォーマンスは連続的なスコアとランク付けが行われ、トップパフォーマンスエージェントからの出力のみが採用される。
この設計により、システムは動的環境に適応的に適応し、市場ノイズに対する堅牢性を高め、最終的には優れた取引性能を提供する。
実験結果から,提案システムは多エージェントシステムや従来型の定量的投資手法を,多様な評価指標で大きく上回っていることがわかった。
ContestTradeはGitHubでhttps://github.com/FinStep-AI/ContestTradeで公開されている。
関連論文リスト
- MASCA: LLM based-Multi Agents System for Credit Assessment [0.3277163122167434]
実世界の意思決定プロセスのミラー化による信用評価向上を目的とした,LLM駆動型マルチエージェントシステムMASCAを紹介する。
また,階層型マルチエージェントシステムにおけるシグナリングゲーム理論の視点を示し,その構造と相互作用に関する理論的洞察を提供する。
論文 参考訳（メタデータ） (2025-07-30T15:19:38Z) - R&D-Agent-Quant: A Multi-Agent Framework for Data-Centric Factors and Model Joint Optimization [19.301233249500655]
金融市場は、その高次元性、非定常性、持続的ボラティリティにより、資産返却予測に根本的な課題を提起する。
大規模言語モデルやマルチエージェントシステムの進歩にもかかわらず、現在の定量的研究パイプラインは、限定された自動化、弱い解釈可能性、ファクタマイニングやモデル革新といった重要なコンポーネント間の断片的な調整に悩まされている。
本稿では,量的ファイナンスのためのR&D-Agentを提案する。RD-Agent(Q)は,コーディネート・ファクターモデルによる量的戦略の完全な研究と開発を自動化するために設計された,最初のデータ中心型マルチエージェントフレームワークである。
論文 参考訳（メタデータ） (2025-05-21T06:20:56Z) - A Survey of Frontiers in LLM Reasoning: Inference Scaling, Learning to Reason, and Agentic Systems [93.8285345915925]
推論(Reasoning)は、論理的推論、問題解決、意思決定を可能にする基本的な認知プロセスである。
大規模言語モデル(LLM)の急速な進歩により、推論は高度なAIシステムを区別する重要な能力として浮上した。
我々は,(1)推論が達成される段階を定義するレジーム,(2)推論プロセスに関与するコンポーネントを決定するアーキテクチャの2つの側面に沿って既存の手法を分類する。
論文 参考訳（メタデータ） (2025-04-12T01:27:49Z) - Towards Agentic Recommender Systems in the Era of Multimodal Large Language Models [75.4890331763196]
大規模言語モデル(LLM)の最近のブレークスルーは、エージェントAIシステムの出現につながっている。
LLMベースのAgentic RS(LLM-ARS)は、よりインタラクティブで、コンテキストを認識し、プロアクティブなレコメンデーションを提供する。
論文 参考訳（メタデータ） (2025-03-20T22:37:15Z) - HedgeAgents: A Balanced-aware Multi-agent Financial Trading System [20.48571388047213]
大規模言語モデル(LLM)とエージェントベースのモデルは、リアルタイム市場分析と取引決定において有望な可能性を秘めている。
急激な減少や頻繁な変動に直面すると、依然として顕著な-20%の損失を経験する。
本稿では,ロバストネスの戦略を強化することを目的とした,革新的なマルチエージェントシステムであるHedgeAgentsを紹介する。
論文 参考訳（メタデータ） (2025-02-17T04:13:19Z) - 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) - LMAgent: A Large-scale Multimodal Agents Society for Multi-user Simulation [66.52371505566815]
大規模言語モデル(LLM)ベースのAIエージェントは、人間のような知性を達成するために、大きな進歩を遂げた。
LMAgentは,マルチモーダル LLM に基づく大規模かつマルチモーダルなエージェント社会である。
LMAgentでは、友人とチャットする以外に、エージェントは自動で商品を閲覧、購入、レビューしたり、ライブストリーミングのeコマースを行うこともできる。
論文 参考訳（メタデータ） (2024-12-12T12:47:09Z) - Enhancing Investment Analysis: Optimizing AI-Agent Collaboration in Financial Research [17.43528917594047]
本研究では,金融投資研究における意思決定の促進を目的とした,新たなマルチエージェントコラボレーションシステムを提案する。
ダウ・ジョーンズ指数にリストされた30社のうち、2023年のSEC10-Kの形式を分析して、ファンダメンタルズ、市場のセンチメント、リスク分析という3つのサブタスクに注目します。
この結果から,AIエージェントのタスク設定によるパフォーマンスの大幅な変化が判明した。
論文 参考訳（メタデータ） (2024-11-07T15:28:20Z) - 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) - Cooperation, Competition, and Maliciousness: LLM-Stakeholders Interactive Negotiation [52.930183136111864]
我々は,大言語モデル(LLM)を評価するためにスコーラブルネゴシエーション(scorable negotiations)を提案する。
合意に達するには、エージェントは強力な算術、推論、探索、計画能力を持つ必要がある。
我々は、新しいゲームを作成し、進化するベンチマークを持つことの難しさを増大させる手順を提供する。
論文 参考訳（メタデータ） (2023-09-29T13:33:06Z) - MMRNet: Improving Reliability for Multimodal Object Detection and
Segmentation for Bin Picking via Multimodal Redundancy [68.7563053122698]
マルチモーダル冗長性(MMRNet)を用いた信頼度の高いオブジェクト検出・分割システムを提案する。
これは、マルチモーダル冗長の概念を導入し、デプロイ中のセンサ障害問題に対処する最初のシステムである。
システム全体の出力信頼性と不確実性を測定するために,すべてのモダリティからの出力を利用する新しいラベルフリーマルチモーダル整合性(MC)スコアを提案する。
論文 参考訳（メタデータ） (2022-10-19T19:15:07Z)
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。