論文の概要: ATLAS: Adaptive Trading with LLM AgentS Through Dynamic Prompt Optimization and Multi-Agent Coordination
- arxiv url: http://arxiv.org/abs/2510.15949v1
- Date: Fri, 10 Oct 2025 13:01:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-26 16:57:26.468345
- Title: ATLAS: Adaptive Trading with LLM AgentS Through Dynamic Prompt Optimization and Multi-Agent Coordination
- Title（参考訳）: ATLAS:動的プロンプト最適化とマルチエージェントコーディネーションによるLLMエージェントによる適応的トレーディング
- Authors: Charidimos Papadakis, Angeliki Dimitriou, Giorgos Filandrianos, Maria Lymperaiou, Konstantinos Thomas, Giorgos Stamou,
- Abstract要約: 大規模な言語モデルは、財政的な意思決定を約束する一方で、自律的なトレーディングエージェントとしてそれらを展開することは、根本的な課題を提起する。
我々は、市場、ニュース、企業の基本から構造化情報を統合する統合マルチエージェントフレームワークATLASを紹介し、ロバストな取引決定を支援する。
- 参考スコア（独自算出の注目度）: 13.290841962438082
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Large language models show promise for financial decision-making, yet deploying them as autonomous trading agents raises fundamental challenges: how to adapt instructions when rewards arrive late and obscured by market noise, how to synthesize heterogeneous information streams into coherent decisions, and how to bridge the gap between model outputs and executable market actions. We present ATLAS (Adaptive Trading with LLM AgentS), a unified multi-agent framework that integrates structured information from markets, news, and corporate fundamentals to support robust trading decisions. Within ATLAS, the central trading agent operates in an order-aware action space, ensuring that outputs correspond to executable market orders rather than abstract signals. The agent can incorporate feedback while trading using Adaptive-OPRO, a novel prompt-optimization technique that dynamically adapts the prompt by incorporating real-time, stochastic feedback, leading to increasing performance over time. Across regime-specific equity studies and multiple LLM families, Adaptive-OPRO consistently outperforms fixed prompts, while reflection-based feedback fails to provide systematic gains.
- Abstract（参考訳）: 大規模な言語モデルは、金融上の意思決定の約束を示す一方で、自律的なトレーディングエージェントとしてそれらをデプロイすることで、報酬が遅れて市場ノイズによって隠蔽されたときの指示の適応方法、不均一な情報ストリームを一貫性のある決定に合成する方法、モデルアウトプットと実行可能な市場行動のギャップを埋める方法など、基本的な課題を提起する。
我々は、市場、ニュース、企業の基本からの構造化情報を統合する統合マルチエージェントフレームワークであるATLAS(Adaptive Trading with LLM Agents)を、ロバストな取引決定を支援するために提示する。
ATLAS内では、中央取引エージェントが注文対応のアクション空間で動作し、出力が抽象的な信号ではなく実行可能な市場注文に対応することを保証する。
エージェントは、Adaptive-OPROを使ってトレーディング中にフィードバックを組み込むことができる。これは、リアルタイムで確率的なフィードバックを取り入れてプロンプトを動的に適応する新しいプロンプト最適化技術で、時間とともにパフォーマンスが向上する。
アダプティブOPROは、体制固有のエクイティ研究と複数のLLMファミリー全体にわたって、一定のプロンプトを一貫して上回り、リフレクションに基づくフィードバックは体系的な利得を得られない。
関連論文リスト
- AOAD-MAT: Transformer-based multi-agent deep reinforcement learning model considering agents' order of action decisions [8.06273583361266]
マルチエージェント強化学習は、共有環境で共存する複数の学習エージェントの行動訓練に焦点を当てる。
本稿では,エージェントが決定を下す順序を考慮に入れたエージェント・オーダー・オブ・アクション・ディシジョン-MATモデルを提案する。
提案モデルでは,行動決定の順序を学習プロセスに明示的に組み込んで,エージェント行動の最適順序を学習し,予測することができる。
論文 参考訳（メタデータ） (2025-10-15T09:29:36Z) - TradingGroup: A Multi-Agent Trading System with Self-Reflection and Data-Synthesis [15.865159423176982]
TradingGroupは、セルフリフレクティブアーキテクチャとエンドツーエンドのデータ合成パイプラインを通じて制限に対処するために設計されたマルチエージェントトレーディングシステムである。
TradingGroupは、ニュース感情分析、財務報告解釈、株価トレンド予測、トレーディングスタイル適応、トレーディング意思決定エージェントのための専門エージェントで構成されている。
具体的には、ストック予測、スタイル、意思決定エージェントのための自己回帰機構を設計し、過去の成功と失敗を、類似した将来のシナリオで同様の推論のために蒸留する。
論文 参考訳（メタデータ） (2025-08-25T00:29:58Z) - To Trade or Not to Trade: An Agentic Approach to Estimating Market Risk Improves Trading Decisions [0.0]
大規模言語モデル(LLM)はますますエージェントフレームワークにデプロイされている。
我々は LLM を用いて金融時系列の微分方程式を反復的に発見するエージェントシステムを開発した。
モデルインフォームドトレーディング戦略は標準LLMエージェントよりも優れていた。
論文 参考訳（メタデータ） (2025-07-11T13:29:32Z) - SAND: Boosting LLM Agents with Self-Taught Action Deliberation [54.48979740613828]
大規模言語モデル(LLM)エージェントは、通常、ReActスタイルの専門家軌道の教師付き微調整や、ペアのロールアウトよりも好みの最適化で調整される。
本稿では,自己学習型アクチオN審議(SAND)フレームワークを提案する。
SANDは、初期教師付き微調整よりも平均20%改善し、また最先端のエージェントチューニングアプローチより優れている。
論文 参考訳（メタデータ） (2025-07-10T05:38:15Z) - Scaling Autonomous Agents via Automatic Reward Modeling And Planning [52.39395405893965]
大規模言語モデル(LLM)は、様々なタスクにまたがる顕著な機能を示している。
しかし、彼らは多段階の意思決定と環境フィードバックを必要とする問題に苦戦している。
人間のアノテーションを使わずに環境から報酬モデルを自動的に学習できるフレームワークを提案する。
論文 参考訳（メタデータ） (2025-02-17T18:49:25Z) - 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) - Many learning agents interacting with an agent-based market model [0.0]
反応型エージェントベースモデルと相互作用する最適な実行取引エージェントの学習のダイナミクスを考察する。
このモデルは、最適な実行学習エージェント、最小限の知的流動性テイカー、高速な電子流動性プロバイダによって表される3つの栄養レベルを持つ市場エコロジーを表している。
学習可能な最適な実行エージェントを組み込むことで、経験的データと同じ複雑さで動的に生成できるかどうかを検討する。
論文 参考訳（メタデータ） (2023-03-13T18:15:52Z) - A simple learning agent interacting with an agent-based market model [0.0]
本研究では,エージェントベースの金融市場モデルと相互作用する単一強化学習最適実行取引エージェントの学習力学を考察する。
モデルのモーメントは、ハースト指数を除いて学習エージェントの影響に対して堅牢であることがわかった。
学習エージェントの導入は、価格影響曲線の形状を保ちつつ、取引量が増えると、トレードオフ自己相関を低減することができる。
論文 参考訳（メタデータ） (2022-08-22T16:42:06Z)
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。