論文の概要: Orchestration Framework for Financial Agents: From Algorithmic Trading to Agentic Trading

• arxiv url: http://arxiv.org/abs/2512.02227v1
• Date: Mon, 01 Dec 2025 21:50:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:45.621528
• Title: Orchestration Framework for Financial Agents: From Algorithmic Trading to Agentic Trading
• Title（参考訳）: 金融エージェントのためのオーケストレーション・フレームワーク:アルゴリズム・トレーディングからエージェント・トレーディングへ
• Authors: Jifeng Li, Arnav Grover, Abraham Alpuerto, Yupeng Cao, Xiao-Yang Liu,
• Abstract要約: 金融インテリジェンスを民主化することを目的とした金融エージェントのためのオーケストレーションフレームワークを提案する。 従来のアルゴリズム取引システムの各コンポーネントを、プランナー、オーケストレータ、アルファエージェント、リスクエージェント、ポートフォリオエージェント、バックテストエージェント、実行エージェント、監査エージェント、メモリエージェントを含むエージェントにマップする。
• 参考スコア（独自算出の注目度）: 6.792427655208461
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The financial market is a mission-critical playground for AI agents due to its temporal dynamics and low signal-to-noise ratio. Building an effective algorithmic trading system may require a professional team to develop and test over the years. In this paper, we propose an orchestration framework for financial agents, which aims to democratize financial intelligence to the general public. We map each component of the traditional algorithmic trading system to agents, including planner, orchestrator, alpha agents, risk agents, portfolio agents, backtest agents, execution agents, audit agents, and memory agent. We present two in-house trading examples. For the stock trading task (hourly data from 04/2024 to 12/2024), our approach achieved a return of $20.42\%$, a Sharpe ratio of 2.63, and a maximum drawdown of $-3.59\%$, while the S&P 500 index yielded a return of $15.97\%$. For the BTC trading task (minute data from 27/07/2025 to 13/08/2025), our approach achieved a return of $8.39\%$, a Sharpe ratio of $0.38$, and a maximum drawdown of $-2.80\%$, whereas the BTC price increased by $3.80\%$. Our code is available on \href{https://github.com/Open-Finance-Lab/AgenticTrading}{GitHub}.
• Abstract（参考訳）: 金融市場は、その時間的ダイナミクスと低信号対雑音比のために、AIエージェントにとってミッションクリティカルな遊び場である。 効果的なアルゴリズムトレーディングシステムを構築するには、プロのチームが何年もかけて開発とテストを行う必要があります。 本稿では,金融エージェントのためのオーケストレーションフレームワークを提案し,金融インテリジェンスを一般大衆に民主化することを目的とする。 従来のアルゴリズム取引システムの各コンポーネントを、プランナー、オーケストレータ、アルファエージェント、リスクエージェント、ポートフォリオエージェント、バックテストエージェント、実行エージェント、監査エージェント、メモリエージェントを含むエージェントにマップする。 企業内取引の例を2つ紹介する。 株式取引タスク(04/2024から12/2024のデータ)では、当社のアプローチは20.42.%、シャープ比2.63ドル、最大値下げは3.59.%、S&P 500指数は15.97.%だった。 BTCのトレーディングタスク(27/07/2025から13/08/2025までのデータ)では、当社のアプローチは8.39セント、シャープ比0.38ドル、最大ドローダウン2.80セントを達成し、BTCの価格は3.80セントに上昇した。 私たちのコードは \href{https://github.com/Open-Finance-Lab/AgenticTrading}{GitHub} で利用可能です。

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)
• A Parametric Contextual Online Learning Theory of Brokerage [8.049531918823758]
  トレーダー間のブローカーのオンライン学習問題における文脈情報の役割について検討する。 このシーケンシャルな問題では、各ステップで、2人のトレーダーが取引したい資産に関する秘密のバリュエーションを持って到着します。 学習者(ブローカー)は、資産と市場条件に関するコンテキストデータに基づくトレーディング(またはブローカー)価格を提案する。 そして、トレーダーは、彼らの評価額がブローカー価格よりも高いか低いかに基づいて、購入または販売する意思を明らかにします。
  論文  参考訳（メタデータ） (2024-05-22T18:38:05Z)
• An Online Learning Theory of Brokerage [3.8059763597999012]
  オンライン学習の観点からトレーダー間のブローカーについて検討する。 既に研究されている他の二国間貿易問題とは異なり、指定された買い手や売り手の役割が存在しない場合に焦点を当てる。 第1の場合、最適率は$sqrtT$に低下し、第2の場合、問題は解けなくなる。
  論文  参考訳（メタデータ） (2023-10-18T17:01:32Z)
• Gray-box Adversarial Attack of Deep Reinforcement Learning-based Trading Agents [0.8339831319589133]
  ディープRLベースのトレーディングエージェントを攻撃するための「グレーボックス」アプローチは、トレーディングエージェントに余分にアクセスすることなく、同じ株式市場で取引することで可能である。 逆エージェントは、ハイブリッドのDeep Neural Networkを、畳み込み層と完全に接続された層からなるポリシーとして使用する。
  論文  参考訳（メタデータ） (2023-09-26T02:07:26Z)
• A Game of NFTs: Characterizing NFT Wash Trading in the Ethereum Blockchain [53.8917088220974]
  非Fungible Token(NFT)市場は2021年に爆発的に成長し、2022年1月には月間貿易額が60億ドルに達した。 ウォッシュトレーディングの可能性に関する懸念が浮かび上がっており、あるパーティがNFTを取引してそのボリュームを人為的に膨らませる市場操作の形式である。 洗濯物取引は全NFTコレクションの5.66%に影響し、総生産量は3,406,110,774ドルである。
  論文  参考訳（メタデータ） (2022-12-02T15:03:35Z)
• A Stock Trading System for a Medium Volatile Asset using Multi Layer Perceptron [0.6882042556551609]
  今後30日間の公開市場における価格予測のために,フィードフォワードディープニューラルネットワーク(DNN)のコアとなるストックトレーディングシステムを提案する。 結果は、非常に控えめな100ドルの予算からわずか1ヶ月で3.2%の総利益率をもたらすことを約束していた。
  論文  参考訳（メタデータ） (2022-01-17T16:08:40Z)
• The Recurrent Reinforcement Learning Crypto Agent [0.0]
  デジタル資産取引エージェントとしてのオンライントランスファー学習の応用を実証する。 エージェントは、BitMEX上でXBTUSD(Bitcoin対US$)の永久スワップデリバティブ契約を交換することを学ぶ。 全体として、我々の暗号エージェントは、約5年間にわたる取引コストの350%の総リターンを実現している。
  論文  参考訳（メタデータ） (2022-01-12T21:00:43Z)

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。