論文の概要: Hierarchical AI Multi-Agent Fundamental Investing: Evidence from China's A-Share Market

• arxiv url: http://arxiv.org/abs/2510.21147v1
• Date: Fri, 24 Oct 2025 04:38:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 09:00:15.384803
• Title: Hierarchical AI Multi-Agent Fundamental Investing: Evidence from China's A-Share Market
• Title（参考訳）: 階層型AI マルチエージェントの基礎投資:中国のAシェア市場からの証拠
• Authors: Chujun He, Zhonghao Huang, Xiangguo Li, Ye Luo, Kewei Ma, Yuxuan Xiong, Xiaowei Zhang, Mingyang Zhao,
• Abstract要約: 我々は、マクロ指標、業界レベル、企業固有の情報を統合し、最適化された株式ポートフォリオを構築する、基本的な投資のためのマルチエージェントAI駆動フレームワークを提案する。 中国A株市場のCSI300指数による構成成分のシステム評価を行い、標準ベンチマークを一貫して上回る結果となった。
• 参考スコア（独自算出の注目度）: 8.11097322686573
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present a multi-agent, AI-driven framework for fundamental investing that integrates macro indicators, industry-level and firm-specific information to construct optimized equity portfolios. The architecture comprises: (i) a Macro agent that dynamically screens and weights sectors based on evolving economic indicators and industry performance; (ii) four firm-level agents -- Fundamental, Technical, Report, and News -- that conduct in-depth analyses of individual firms to ensure both breadth and depth of coverage; (iii) a Portfolio agent that uses reinforcement learning to combine the agent outputs into a unified policy to generate the trading strategy; and (iv) a Risk Control agent that adjusts portfolio positions in response to market volatility. We evaluate the system on the constituents by the CSI 300 Index of China's A-share market and find that it consistently outperforms standard benchmarks and a state-of-the-art multi-agent trading system on risk-adjusted returns and drawdown control. Our core contribution is a hierarchical multi-agent design that links top-down macro screening with bottom-up fundamental analysis, offering a robust and extensible approach to factor-based portfolio construction.
• Abstract（参考訳）: 我々は、マクロ指標、業界レベル、企業固有の情報を統合し、最適化された株式ポートフォリオを構築する、基本的な投資のためのマルチエージェントAI駆動フレームワークを提案する。 建築は以下の通りである。 一 経済指標及び産業業績の進化に基づいて、セクターを動的に検分し、重み付けするマクロエージェント (二 個別の会社について、範囲及び範囲の深さの両立を図るための総合的、技術的、報告的、報道的、報道的、報道的の四つの機関 三 強化学習を利用して取引戦略を創出するための統一政策に当該エージェントの出力を組み合わすポートフォリオエージェント 四 市場のボラティリティに応じてポートフォリオのポジションを調整するリスク管理エージェント 中国A株市場のCSI300指数による構成銘柄のシステム評価を行い、リスク調整リターンと引き下げ制御に関して、標準ベンチマークと最先端のマルチエージェントトレーディングシステムより一貫して上回っていることを見出した。 私たちのコアコントリビューションは階層的なマルチエージェント設計であり、トップダウンマクロスクリーニングとボトムアップの基本分析を結びつけ、ファクターベースのポートフォリオ構築に対する堅牢で拡張可能なアプローチを提供します。

関連論文リスト

• When Agents Trade: Live Multi-Market Trading Benchmark for LLM Agents [74.55061622246824]
  Agent Market Arena (AMA)は、LLM(Large Language Model)ベースのトレーディングエージェントを評価するための、初めてのリアルタイムベンチマークである。 AMAは、検証済みのトレーディングデータ、専門家チェックされたニュース、および統一されたトレーディングフレームワーク内に多様なエージェントアーキテクチャを統合する。 GPT-4o、GPT-4.1、Claude-3.5-haiku、Claude-sonnet-4、Gemini-2.0-flashにまたがる薬剤を評価する。
  論文  参考訳（メタデータ） (2025-10-13T17:54:09Z)
• Trade in Minutes! Rationality-Driven Agentic System for Quantitative Financial Trading [57.28635022507172]
  TiMiは、アーキテクチャ上、戦略開発を分単位のデプロイメントから切り離す合理性駆動型マルチエージェントシステムである。 本稿では,マクロパターンからマイクロカスタマイズ,トレーディングボット実装のための階層型プログラミング設計,数学的リフレクションによって駆動されるクローズドループ最適化までの2層解析パラダイムを提案する。
  論文  参考訳（メタデータ） (2025-10-06T13:08:55Z)
• 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)
• Automate Strategy Finding with LLM in Quant Investment [15.475504003134787]
  本稿では,大規模言語モデル(LLM)をリスク認識型マルチエージェントシステム内で活用し,定量的ファイナンスにおける戦略発見を自動化する新しい3段階フレームワークを提案する。 本手法は,金融分野における従来のディープラーニングモデルの脆さに対処するものである。 実験結果は、確立されたベンチマークと比較して、中国とアメリカの市場体制における戦略の堅牢な性能を示している。
  論文  参考訳（メタデータ） (2024-09-10T07:42:28Z)
• 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)
• Developing A Multi-Agent and Self-Adaptive Framework with Deep Reinforcement Learning for Dynamic Portfolio Risk Management [1.2016264781280588]
  ポートフォリオ全体のリターンと潜在的なリスクの間のトレードオフのバランスをとるために,マルチエージェント強化学習(RL)アプローチを提案する。 得られた実験結果から,提案したMASAフレームワークの有効性が明らかとなった。
  論文  参考訳（メタデータ） (2024-02-01T11:31:26Z)
• Factor Investing with a Deep Multi-Factor Model [123.52358449455231]
  我々は、業界中立化と市場中立化モジュールを明確な財務見識をもって取り入れた、新しい深層多要素モデルを開発する。 実世界の株式市場データによるテストは、我々の深層多要素モデルの有効性を示している。
  論文  参考訳（メタデータ） (2022-10-22T14:47:11Z)

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。