論文の概要: Hi-DARTS: Hierarchical Dynamically Adapting Reinforcement Trading System
- arxiv url: http://arxiv.org/abs/2509.12048v1
- Date: Mon, 15 Sep 2025 15:31:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-16 17:26:23.370445
- Title: Hi-DARTS: Hierarchical Dynamically Adapting Reinforcement Trading System
- Title（参考訳）: Hi-DARTS:階層的動的適応強化トレーディングシステム
- Authors: Hoon Sagong, Heesu Kim, Hanbeen Hong,
- Abstract要約: Hi-DARTSは階層型マルチエージェント強化学習フレームワークである。
計算効率と市場の応答性のバランスをとる。
Hi-DARTSの累積リターンは25.17%、シャープ比は0.75だった。
- 参考スコア（独自算出の注目度）: 1.764813029493129
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Conventional autonomous trading systems struggle to balance computational efficiency and market responsiveness due to their fixed operating frequency. We propose Hi-DARTS, a hierarchical multi-agent reinforcement learning framework that addresses this trade-off. Hi-DARTS utilizes a meta-agent to analyze market volatility and dynamically activate specialized Time Frame Agents for high-frequency or low-frequency trading as needed. During back-testing on AAPL stock from January 2024 to May 2025, Hi-DARTS yielded a cumulative return of 25.17% with a Sharpe Ratio of 0.75. This performance surpasses standard benchmarks, including a passive buy-and-hold strategy on AAPL (12.19% return) and the S&P 500 ETF (SPY) (20.01% return). Our work demonstrates that dynamic, hierarchical agents can achieve superior risk-adjusted returns while maintaining high computational efficiency.
- Abstract（参考訳）: 従来の自律型トレーディングシステムは、その固定動作周波数のため、計算効率と市場の応答性のバランスをとるのに苦労する。
このトレードオフに対処する階層型マルチエージェント強化学習フレームワークであるHi-DARTSを提案する。
Hi-DARTSは、メタエージェントを使用して市場のボラティリティを分析し、必要に応じて高周波または低周波取引のための特別なタイムフレームエージェントを動的に活性化する。
2024年1月から2025年5月までのAAPL株のバックテストで、Hi-DARTSは25.17%、シャープ比0.75の累積リターンを得た。
この性能は、AAPLのパッシブ・バイ・ホールディング戦略(12.19%のリターン)やS&P 500 ETF(SPY)(20.01%リターン)など、標準ベンチマークを上回っている。
我々の研究は、動的で階層的なエージェントが高い計算効率を維持しながら、より優れたリスク調整されたリターンを達成することを実証している。
関連論文リスト
- 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) - 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) - ASDA: Audio Spectrogram Differential Attention Mechanism for Self-Supervised Representation Learning [57.67273340380651]
実験の結果,ASDAモデルは複数のベンチマークでSOTA(State-of-the-art)性能を達成できた。
これらの結果は、ASDAの音声タスクにおける有効性を強調し、より広範なアプリケーションへの道を開いた。
論文 参考訳（メタデータ） (2025-07-03T14:29:43Z) - Deep Learning Enhanced Multi-Day Turnover Quantitative Trading Algorithm for Chinese A-Share Market [0.0]
アルゴリズムは2010-2020年の総合的なAシェアデータに基づいて訓練され、2021-2024のデータに対して厳格に検証されている。
15.2%の年次リターン、5%未満の最大降格、シャープ比1.87で顕著なパフォーマンスを達成した。
論文 参考訳（メタデータ） (2025-06-03T01:59:55Z) - AegisLLM: Scaling Agentic Systems for Self-Reflective Defense in LLM Security [74.22452069013289]
AegisLLMは、敵の攻撃や情報漏洩に対する協調的なマルチエージェント防御である。
テスト時のエージェント推論システムのスケーリングは,モデルの有用性を損なうことなく,ロバスト性を大幅に向上させることを示す。
アンラーニングやジェイルブレイクを含む主要な脅威シナリオに対する総合的な評価は、AegisLLMの有効性を示している。
論文 参考訳（メタデータ） (2025-04-29T17:36:05Z) - DARS: Dynamic Action Re-Sampling to Enhance Coding Agent Performance by Adaptive Tree Traversal [55.13854171147104]
大規模言語モデル(LLM)は、自然言語処理、データ分析、ソフトウェア開発など、さまざまな領域に革命をもたらした。
符号化エージェントのための新しい推論時間計算スケーリングアプローチである動的アクション再サンプリング(DARS)を提案する。
我々は、SWE-Bench Liteベンチマークに対する我々のアプローチを評価し、このスケーリング戦略がClude 3.5 Sonnet V2で55%のパス@kスコアを達成したことを実証した。
論文 参考訳（メタデータ） (2025-03-18T14:02:59Z) - Stockformer: A Price-Volume Factor Stock Selection Model Based on Wavelet Transform and Multi-Task Self-Attention Networks [3.7608255115473592]
本稿では,ウェーブレット変換とマルチタスク自己アテンションネットワークを統合した価格-体積係数ストックセレクションモデルであるStockformerを紹介する。
ストックフォーマーは、株価のリターンを高頻度と低頻度に分解し、長期市場の動向と急激な出来事を注意深く捉えている。
実験結果から、Stockformerは複数の実市場データセットにおいて、既存の先進的な手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2023-11-23T04:33:47Z) - Deep Policy Gradient Methods in Commodity Markets [0.0]
トレーダーは流動性を提供し、ボラティリティを下げることで市場の安定化に重要な役割を果たしている。
本論文は,商品取引における深層強化学習手法の有効性について考察する。
論文 参考訳（メタデータ） (2023-06-14T11:50:23Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文 参考訳（メタデータ） (2022-09-23T16:13:47Z)
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。