論文の概要: TradeTrap: Are LLM-based Trading Agents Truly Reliable and Faithful?

• arxiv url: http://arxiv.org/abs/2512.02261v1
• Date: Mon, 01 Dec 2025 23:06:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:45.640049
• Title: TradeTrap: Are LLM-based Trading Agents Truly Reliable and Faithful?
• Title（参考訳）: TradeTrap: LLMベースのトレーディングエージェントは真に信頼性があり、忠実か?
• Authors: Lewen Yan, Jilin Mei, Tianyi Zhou, Lige Huang, Jie Zhang, Dongrui Liu, Jing Shao,
• Abstract要約: TradeTrapは、適応的および手続き的自律的トレーディングエージェントの両方を体系的にストレステストするための統一的な評価フレームワークである。 市場インテリジェンス、戦略定式化、ポートフォリオと台帳処理、取引実行の4つの中心的コンポーネントをターゲットにしている。 実験により、単一コンポーネントでの小さな摂動がエージェント決定ループを伝播し、極端な濃度、暴走露光、大きなポートフォリオの減少を引き起こすことが示されている。
• 参考スコア（独自算出の注目度）: 44.01987401527335
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLM-based trading agents are increasingly deployed in real-world financial markets to perform autonomous analysis and execution. However, their reliability and robustness under adversarial or faulty conditions remain largely unexamined, despite operating in high-risk, irreversible financial environments. We propose TradeTrap, a unified evaluation framework for systematically stress-testing both adaptive and procedural autonomous trading agents. TradeTrap targets four core components of autonomous trading agents: market intelligence, strategy formulation, portfolio and ledger handling, and trade execution, and evaluates their robustness under controlled system-level perturbations. All evaluations are conducted in a closed-loop historical backtesting setting on real US equity market data with identical initial conditions, enabling fair and reproducible comparisons across agents and attacks. Extensive experiments show that small perturbations at a single component can propagate through the agent decision loop and induce extreme concentration, runaway exposure, and large portfolio drawdowns across both agent types, demonstrating that current autonomous trading agents can be systematically misled at the system level. Our code is available at https://github.com/Yanlewen/TradeTrap.
• Abstract（参考訳）: LLMベースのトレーディングエージェントは、自律的な分析と実行を行うために、現実世界の金融市場にますます配備されている。 しかし、高リスクで不可逆な金融環境で運用されているにもかかわらず、敵対的または欠陥的な条件下での信頼性と堅牢性はほとんど検討されていない。 適応型および手続き型自律型トレーディングエージェントの両方を系統的にストレステストするための統合評価フレームワークであるTradeTrapを提案する。 TradeTrapは、市場インテリジェンス、戦略定式化、ポートフォリオと台帳処理、および取引実行の4つの中核的コンポーネントをターゲットにしており、制御されたシステムレベルの摂動の下で彼らの堅牢性を評価する。 すべての評価は、エージェントとアタックの公正かつ再現可能な比較を可能にするため、実際の米国株式市場データを同じ初期条件で、クローズドループの歴史的なバックテスト環境で実施される。 大規模な実験により、単一コンポーネントでの小さな摂動がエージェント決定ループを伝播し、極端な濃度、暴走露光、および両方のエージェントタイプにわたる大きなポートフォリオの減少を誘発し、現在の自律取引エージェントがシステムレベルで体系的に誤解されることを示した。 私たちのコードはhttps://github.com/Yanlewen/TradeTrap.comから入手可能です。

関連論文リスト

• Gaming the Judge: Unfaithful Chain-of-Thought Can Undermine Agent Evaluation [76.5533899503582]
  大規模言語モデル(LLM)は、エージェントのパフォーマンスを評価するために、ますます裁判官として使われている。 このパラダイムは、エージェントのチェーン・オブ・シークレット(CoT)推論が内部の推論と環境状態の両方を忠実に反映していることを暗黙的に仮定している。 我々は、操作された推論だけで、様々なWebタスクにまたがる800の軌跡に対して、最先端のVLM審査員の偽陽性率を最大90%向上させることができることを実証した。
  論文  参考訳（メタデータ） (2026-01-21T06:07:43Z)
• Robust Reinforcement Learning in Finance: Modeling Market Impact with Elliptic Uncertainty Sets [57.179679246370114]
  金融分野では、強化学習(RL)エージェントは、価格に影響を与えない歴史的データに基づいて訓練されることが多い。 展開中、これらのエージェントは、自身の取引が資産価格を変えることができるライブマーケットで取引する。 従来のロバストなRLアプローチは、不確実性の集合に対して最悪のパフォーマンスを最適化することで、このモデルの誤特定に対処する。 楕円型不確実性集合の新たなクラスを開発し,効率的かつ堅牢な政策評価を可能にする。
  論文  参考訳（メタデータ） (2025-10-22T18:22:25Z)
• 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)
• QuantAgents: Towards Multi-agent Financial System via Simulated Trading [40.636918662488505]
  QuantAgentsは、シミュレーショントレーディングを統合するマルチエージェントシステムである。 QuantAgentsは、シミュレートされたトレーディングアナリスト、リスクコントロールアナリスト、マーケットニュースアナリスト、マネージャの4つのエージェントで構成されている。 本システムは,実世界の市場におけるパフォーマンスと,模擬取引における予測精度の2つの側面からフィードバックを受けるためのエージェントを動機付けている。
  論文  参考訳（メタデータ） (2025-10-06T09:45:57Z)
• 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)
• Agent Trading Arena: A Study on Numerical Understanding in LLM-Based Agents [69.58565132975504]
  大規模言語モデル(LLM)は、自然言語処理において顕著な能力を示した。 LLMをベースとしたエージェントが競合するマルチエージェント取引を行う仮想ゼロサム株式市場であるエージェントトレーディングアリーナを提示する。
  論文  参考訳（メタデータ） (2025-02-25T08:41:01Z)
• TradingAgents: Multi-Agents LLM Financial Trading Framework [4.293484524693143]
  TradingAgentsは、トレーディング会社にインスパイアされた新しい株式トレーディングフレームワークを提案する。 基本的なアナリスト、センチメントアナリスト、テクニカルアナリスト、さまざまなリスクプロファイルを持つトレーダーといった専門的な役割でLLMを動力とするエージェントが特徴である。 動的で協調的なトレーディング環境をシミュレートすることで、このフレームワークはトレーディングのパフォーマンスを改善することを目指している。
  論文  参考訳（メタデータ） (2024-12-28T12:54:06Z)
• 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)

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。