論文の概要: Structured Agentic Workflows for Financial Time-Series Modeling with LLMs and Reflective Feedback

• arxiv url: http://arxiv.org/abs/2508.13915v1
• Date: Tue, 19 Aug 2025 15:14:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-20 15:36:31.979482
• Title: Structured Agentic Workflows for Financial Time-Series Modeling with LLMs and Reflective Feedback
• Title（参考訳）: LLMと反射フィードバックを用いた金融時系列モデリングのための構造化エージェントワークフロー
• Authors: Yihao Ang, Yifan Bao, Lei Jiang, Jiajie Tao, Anthony K. H. Tung, Lukasz Szpruch, Hao Ni,
• Abstract要約: 時系列データは金融市場における意思決定の中心であるが、ハイパフォーマンス、解釈可能、監査可能なモデルの構築は依然として大きな課題である。 textsfTSAgentは、金融アプリケーションの時系列モデリングの自動化と強化を目的として設計されたモジュラーエージェントフレームワークである。
• 参考スコア（独自算出の注目度）: 16.04516547661581
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time-series data is central to decision-making in financial markets, yet building high-performing, interpretable, and auditable models remains a major challenge. While Automated Machine Learning (AutoML) frameworks streamline model development, they often lack adaptability and responsiveness to domain-specific needs and evolving objectives. Concurrently, Large Language Models (LLMs) have enabled agentic systems capable of reasoning, memory management, and dynamic code generation, offering a path toward more flexible workflow automation. In this paper, we introduce \textsf{TS-Agent}, a modular agentic framework designed to automate and enhance time-series modeling workflows for financial applications. The agent formalizes the pipeline as a structured, iterative decision process across three stages: model selection, code refinement, and fine-tuning, guided by contextual reasoning and experimental feedback. Central to our architecture is a planner agent equipped with structured knowledge banks, curated libraries of models and refinement strategies, which guide exploration, while improving interpretability and reducing error propagation. \textsf{TS-Agent} supports adaptive learning, robust debugging, and transparent auditing, key requirements for high-stakes environments such as financial services. Empirical evaluations on diverse financial forecasting and synthetic data generation tasks demonstrate that \textsf{TS-Agent} consistently outperforms state-of-the-art AutoML and agentic baselines, achieving superior accuracy, robustness, and decision traceability.
• Abstract（参考訳）: 時系列データは金融市場における意思決定の中心であるが、ハイパフォーマンス、解釈可能、監査可能なモデルの構築は依然として大きな課題である。 Automated Machine Learning(AutoML)フレームワークはモデル開発を合理化するが、ドメイン固有のニーズや進化する目標に対する適応性と応答性に欠けることが多い。 同時に、LLM(Large Language Models)は、推論、メモリ管理、動的コード生成が可能なエージェントシステムを実現し、より柔軟なワークフロー自動化への道筋を提供する。 本稿では,金融アプリケーションのための時系列モデリングワークフローの自動化と拡張を目的とした,モジュール型エージェントフレームワークである \textsf{TS-Agent} を紹介する。 エージェントは、パイプラインを、モデル選択、コード洗練、微調整の3段階にわたる構造化された反復的な決定プロセスとして定式化し、文脈的推論と実験的なフィードバックによってガイドされる。 私たちのアーキテクチャの中心は、構造化された知識バンク、モデルのキュレートされたライブラリ、探索をガイドする改良戦略を備えたプランナーエージェントであり、解釈可能性を改善し、エラーの伝播を低減する。 \textsf{TS-Agent} は適応的な学習、堅牢なデバッグ、透過的な監査、金融サービスなどのハイテイク環境のための重要な要件をサポートする。 多様な財務予測タスクと合成データ生成タスクに関する実証的な評価は、‘textsf{TS-Agent} が最先端のAutoMLとエージェントベースラインを一貫して上回り、精度、堅牢性、決定トレーサビリティを達成していることを示している。

関連論文リスト

• A Survey of Self-Evolving Agents: On Path to Artificial Super Intelligence [87.08051686357206]
  大きな言語モデル(LLM)は強力な能力を示しているが、基本的に静的である。 LLMはますますオープンでインタラクティブな環境にデプロイされているため、この静的な性質は重要なボトルネックとなっている。 この調査は、自己進化エージェントの体系的で包括的なレビューを初めて提供する。
  論文  参考訳（メタデータ） (2025-07-28T17:59:05Z)
• Survey of LLM Agent Communication with MCP: A Software Design Pattern Centric Review [0.9208007322096533]
  調査ではMediator, Observer, Publish-Subscribe, Brokerなど,確立したパターンを再検討している。 記事は、オープンな課題、潜在的なセキュリティリスク、堅牢で相互運用可能でスケーラブルなマルチエージェントエコシステムを前進させる有望な方向性を概説することで締めくくっている。
  論文  参考訳（メタデータ） (2025-05-26T09:11:17Z)
• LLM-Powered AI Agent Systems and Their Applications in Industry [3.103098467546532]
  LLM(Large Language Models)はエージェントシステムである。 タスクスコープが制限された従来のルールベースのエージェントとは異なり、LLMベースのエージェントはより柔軟性、ドメイン間の推論、自然言語の相互作用を提供する。
  論文  参考訳（メタデータ） (2025-05-22T01:52:15Z)
• The Evolution of Alpha in Finance Harnessing Human Insight and LLM Agents [0.0]
  市場ベンチマークを上回るアルファリターンの探索は、大きな変革を遂げた。 本稿では,この進歩を辿る5段階の分類を包括的に紹介する。 提案された分類学は、成熟度を評価し、インフラを整合させ、次世代アルファシステムの責任ある開発を導く統一的な枠組みを提供する。
  論文  参考訳（メタデータ） (2025-05-20T00:51:43Z)
• MLE-Dojo: Interactive Environments for Empowering LLM Agents in Machine Learning Engineering [57.156093929365255]
  自律型大規模言語モデル(LLM)エージェントを体系的に強化し、評価し、改善するためのガイムスタイルのフレームワーク。 MLE-Dojoは、現実的なエンジニアリングシナリオを反映した、多様でオープンなMLEタスクを慎重にキュレートする。 完全に実行可能な環境は、教師付き微調整と強化学習の両方を通して包括的なエージェントトレーニングをサポートする。
  論文  参考訳（メタデータ） (2025-05-12T17:35:43Z)
• Thinking Longer, Not Larger: Enhancing Software Engineering Agents via Scaling Test-Time Compute [61.00662702026523]
  より大規模なモデルではなく、推論時間の増加を活用する統合されたテスト時間計算スケーリングフレームワークを提案する。 当社のフレームワークには,内部TTCと外部TTCの2つの補完戦略が組み込まれている。 当社の textbf32B モデルは,DeepSeek R1 671B や OpenAI o1 など,はるかに大きなモデルを上回る 46% の課題解決率を実現している。
  論文  参考訳（メタデータ） (2025-03-31T07:31:32Z)
• FinMem: A Performance-Enhanced LLM Trading Agent with Layered Memory and Character Design [11.913409501633616]
  textscFinMemは、金融上の意思決定のために考案された新しいLLMベースのエージェントフレームワークである。 textscFinMemのメモリモジュールは、人間のトレーダーの認知構造と密接に一致し、堅牢な解釈性を提供する。 このフレームワークは、エージェントが専門知識を自己開発し、新しい投資方法にアジャイルに反応し、取引決定を継続的に洗練することを可能にする。
  論文  参考訳（メタデータ） (2023-11-23T00:24:40Z)

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。