論文の概要: GuruAgents: Emulating Wise Investors with Prompt-Guided LLM Agents

• arxiv url: http://arxiv.org/abs/2510.01664v1
• Date: Thu, 02 Oct 2025 04:45:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.994198
• Title: GuruAgents: Emulating Wise Investors with Prompt-Guided LLM Agents
• Title（参考訳）: GuruAgents:Prompt-Guided LLMエージェントによる投資をエミュレート
• Authors: Yejin Kim, Youngbin Lee, Juhyeong Kim, Yongjae Lee,
• Abstract要約: 本研究では,AIエージェントであるGuruAgentsが,伝説的な投資目標の戦略を体系的に運用可能であることを示す。 我々は、金融ツールと決定論的推論パイプラインを統合するプロンプトに、それぞれ独自の哲学をエンコードすることで、象徴的な投資家をエミュレートするために、5つの異なるGruAgentを開発する。
• 参考スコア（独自算出の注目度）: 30.25134341310884
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study demonstrates that GuruAgents, prompt-guided AI agents, can systematically operationalize the strategies of legendary investment gurus. We develop five distinct GuruAgents, each designed to emulate an iconic investor, by encoding their distinct philosophies into LLM prompts that integrate financial tools and a deterministic reasoning pipeline. In a backtest on NASDAQ-100 constituents from Q4 2023 to Q2 2025, the GuruAgents exhibit unique behaviors driven by their prompted personas. The Buffett GuruAgent achieves the highest performance, delivering a 42.2\% CAGR that significantly outperforms benchmarks, while other agents show varied results. These findings confirm that prompt engineering can successfully translate the qualitative philosophies of investment gurus into reproducible, quantitative strategies, highlighting a novel direction for automated systematic investing. The source code and data are available at https://github.com/yejining99/GuruAgents.
• Abstract（参考訳）: 本研究では,AIエージェントであるGuruAgentsが,伝説的な投資目標の戦略を体系的に運用可能であることを示す。 我々は、金融ツールと決定論的推論パイプラインを統合したLLMプロンプトに、それぞれ独自の哲学をエンコードすることで、象徴的な投資家をエミュレートする5つの異なるGruAgentを開発する。 2023年第4四半期から2025年第2四半期にかけてのNASDAQ-100構成員のバックテストでは、グルアジェントは誘引されたペルソナによって駆動されるユニークな行動を示した。 Buffett GuruAgentは最高性能を達成し、ベンチマークを著しく上回る42.2\%のCAGRを提供する一方、他のエージェントは様々な結果を示す。 これらの結果から, 迅速工学は, 投資目標の定性的哲学を再現可能な定量的戦略に変換することに成功し, 自動的投資の新たな方向性を浮き彫りにした。 ソースコードとデータはhttps://github.com/yejining99/GuruAgentsで入手できる。

関連論文リスト

• $Agent^2$: An Agent-Generates-Agent Framework for Reinforcement Learning Automation [5.325886106098561]
  強化学習(RL)エージェント開発は伝統的にかなりの専門知識と反復的な努力を必要とする。 本稿では,完全自動RLエージェント設計のための LLM 駆動型エージェント生成エージェントフレームワークである Agent$2$ を紹介する。 Agent$2$は、自然言語のタスク記述と環境コードを人間の介入なしに実行可能なRLソリューションに変換する。
  論文  参考訳（メタデータ） (2025-09-16T02:14:39Z)
• 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)
• 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)
• From Novice to Expert: LLM Agent Policy Optimization via Step-wise Reinforcement Learning [62.54484062185869]
  本稿では,エージェントの強化学習プロセスの最適化にステップワイド報酬を利用するStepAgentを紹介する。 エージェント反射とポリシー調整を容易にする暗黙の逆・逆の強化学習手法を提案する。
  論文  参考訳（メタデータ） (2024-11-06T10:35:11Z)
• DS-Agent: Automated Data Science by Empowering Large Language Models with Case-Based Reasoning [56.887047551101574]
  大規模言語モデル(LLM)エージェントとケースベース推論(CBR)を利用した新しいフレームワークであるDS-Agentを提案する。 開発段階では、DS-AgentはCBRフレームワークに従い、自動イテレーションパイプラインを構築する。 デプロイメントの段階では、DS-Agentは、シンプルなCBRパラダイムで低リソースのデプロイメントステージを実装し、LCMの基本能力に対する需要を大幅に削減する。
  論文  参考訳（メタデータ） (2024-02-27T12:26:07Z)
• QuantAgent: Seeking Holy Grail in Trading by Self-Improving Large Language Model [14.800710112671226]
  本稿では,ドメイン固有の知識基盤を効率的に構築し,統合する上での課題に対処する,原則的枠組みを提案する。 内側のループでは、エージェントは知識ベースから引き出すことで応答を洗練し、外側のループでは、これらの応答は現実世界のシナリオでテストされる。 我々はこのフレームワークを、QuantAgentという名のトレーディングシグナルをマイニングするための自律エージェントを通じてインスタンス化する。
  論文  参考訳（メタデータ） (2024-02-06T06:47:14Z)
• Can Large Language Models Beat Wall Street? Unveiling the Potential of AI in Stock Selection [0.07499722271664146]
  本稿では,GPT-4による金融市場における株式選択の先進的推論を活用する革新的なフレームワークであるMarketSenseAIを紹介する。 MarketSenseAIは、市場動向、ニュース、基礎、マクロ経済要因などさまざまなデータソースを分析し、専門家の投資決定をエミュレートする。 本研究は,金融意思決定における大規模言語モデルの変容の可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2024-01-08T08:58:46Z)

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。