論文の概要: LLM-based Personalized Portfolio Recommender: Integrating Large Language Models and Reinforcement Learning for Intelligent Investment Strategy Optimization

• arxiv url: http://arxiv.org/abs/2512.12922v1
• Date: Mon, 15 Dec 2025 02:12:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.503572
• Title: LLM-based Personalized Portfolio Recommender: Integrating Large Language Models and Reinforcement Learning for Intelligent Investment Strategy Optimization
• Title（参考訳）: LLMに基づくパーソナライズされたポートフォリオレコメンダ:知的投資戦略最適化のための大規模言語モデルの統合と強化学習
• Authors: Bangyu Li, Boping Gu, Ziyang Ding,
• Abstract要約: 本稿では LLM ベースのパーソナライズされたポートフォリオレコメンダを紹介する。 このフレームワークは、大規模言語モデル、強化学習、知的投資決定を支援するために個別化されたリスク優先モデリングを組み合わせる。
• 参考スコア（独自算出の注目度）: 0.08496348835248901
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In modern financial markets, investors increasingly seek personalized and adaptive portfolio strategies that reflect their individual risk preferences and respond to dynamic market conditions. Traditional rule-based or static optimization approaches often fail to capture the nonlinear interactions among investor behavior, market volatility, and evolving financial objectives. To address these limitations, this paper introduces the LLM-based Personalized Portfolio Recommender , an integrated framework that combines Large Language Models, reinforcement learning, and individualized risk preference modeling to support intelligent investment decision-making.
• Abstract（参考訳）: 現代の金融市場では、投資家は個人のリスク選好を反映し、ダイナミックな市場条件に対応する、パーソナライズされた適応的なポートフォリオ戦略をますます求めている。 従来のルールベースあるいは静的最適化アプローチは、投資家の行動、市場のボラティリティ、金融目標の進化の間の非線形相互作用を捉えるのに失敗することが多い。 これらの制約に対処するために,LLMベースのパーソナライズされたポートフォリオレコメンド(Personalized Portfolio Recommender)を導入する。

関連論文リスト

• DeltaHedge: A Multi-Agent Framework for Portfolio Options Optimization [0.0]
  DeltaHedgeは、AI駆動のポートフォリオ管理と取引するオプションを統合する、マルチエージェントフレームワークである。 実験の結果、DeltaHedgeは従来の戦略やスタンドアロンモデルよりも優れています。
  論文  参考訳（メタデータ） (2025-09-16T07:14:56Z)
• 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)
• Deep Reinforcement Learning for Investor-Specific Portfolio Optimization: A Volatility-Guided Asset Selection Approach [2.2835610890984164]
  本研究では,投資家のリスクプロファイルに基づいてポートフォリオを動的に構築するボラティリティ誘導型ポートフォリオ最適化フレームワークを提案する。 提案手法の有効性はダウ30ドル指数の株を用いて確立された。
  論文  参考訳（メタデータ） (2025-04-20T10:17:37Z)
• EPO: Explicit Policy Optimization for Strategic Reasoning in LLMs via Reinforcement Learning [69.55982246413046]
  戦略的推論のための明示的なポリシー最適化(EPO)を提案する。 我々は,マルチターン強化学習(RL)による戦略的推論モデルを訓練し,プロセス報酬と反復的な自己プレイを活用する。 本研究は, EPOに出現する様々な協調的推論機構と, 新規戦略の創出における有効性を明らかにするものである。
  論文  参考訳（メタデータ） (2025-02-18T03:15:55Z)
• Deep Reinforcement Learning and Mean-Variance Strategies for Responsible Portfolio Optimization [49.396692286192206]
  本研究では,ESG状態と目的を取り入れたポートフォリオ最適化のための深層強化学習について検討する。 以上の結果から,ポートフォリオアロケーションに対する平均分散アプローチに対して,深層強化学習政策が競争力を発揮する可能性が示唆された。
  論文  参考訳（メタデータ） (2024-03-25T12:04:03Z)
• Asset Allocation: From Markowitz to Deep Reinforcement Learning [2.0305676256390934]
  資産配分とは、ポートフォリオの資産を常に再分配することでリスクと報酬のバランスをとることを目的とした投資戦略である。 我々は、多くの最適化手法の有効性と信頼性を決定するために、広範囲なベンチマーク研究を行う。
  論文  参考訳（メタデータ） (2022-07-14T14:44:04Z)
• Learning Risk Preferences from Investment Portfolios Using Inverse Optimization [25.19470942583387]
  本稿では,既存ポートフォリオからのリスク嗜好を逆最適化を用いて測定する手法を提案する。 我々は、20年間の資産価格と10年間の相互ファンドポートフォリオ保有からなる実市場データについて、本手法を実証する。
  論文  参考訳（メタデータ） (2020-10-04T21:29:29Z)

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。