論文の概要: Inferring Latent Market Forces: Evaluating LLM Detection of Gamma Exposure Patterns via Obfuscation Testing

• arxiv url: http://arxiv.org/abs/2512.17923v1
• Date: Mon, 08 Dec 2025 15:48:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-29 00:37:57.056558
• Title: Inferring Latent Market Forces: Evaluating LLM Detection of Gamma Exposure Patterns via Obfuscation Testing
• Title（参考訳）: 潜在市場力の推定:難読化試験によるガンマ露光パターンのLLM検出の評価
• Authors: Christopher Regan, Ying Xie,
• Abstract要約: S&P500のオプションデータのうち、242日間(95.6%)で3つのディーラーが制約パターンをテストしている。 LLMは、生のガンマ露光値のみを提供するアンバイアスドプロンプトを用いて、71.5%の検知率を達成する。
• 参考スコア（独自算出の注目度）: 0.0937899315060426
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce obfuscation testing, a novel methodology for validating whether large language models detect structural market patterns through causal reasoning rather than temporal association. Testing three dealer hedging constraint patterns (gamma positioning, stock pinning, 0DTE hedging) on 242 trading days (95.6% coverage) of S&P 500 options data, we find LLMs achieve 71.5% detection rate using unbiased prompts that provide only raw gamma exposure values without regime labels or temporal context. The WHO-WHOM-WHAT causal framework forces models to identify the economic actors (dealers), affected parties (directional traders), and structural mechanisms (forced hedging) underlying observed market dynamics. Critically, detection accuracy (91.2%) remains stable even as economic profitability varies quarterly, demonstrating that models identify structural constraints rather than profitable patterns. When prompted with regime labels, detection increases to 100%, but the 71.5% unbiased rate validates genuine pattern recognition. Our findings suggest LLMs possess emergent capabilities for detecting complex financial mechanisms through pure structural reasoning, with implications for systematic strategy development, risk management, and our understanding of how transformer architectures process financial market dynamics.
• Abstract（参考訳）: 本稿では,大規模言語モデルが時間的関連ではなく因果推論によって構造的市場パターンを検出するかどうかを検証する新しい手法である難読化テストを紹介する。 S&P500オプションデータの242日間(95.6%)で3つのディーラーヘッジ制約パターン(ガンマ位置決め、ストックピンニング、0DTEヘッジ)をテストしたところ、レギュラーラベルや時間的文脈を使わずに、生のガンマ露光値のみを提供するアンバイアスドプロンプトを用いて、LLMが71.5%検出できることがわかった。 WHO-WHOM-WHAT因果関係フレームワークは、経済アクター(ディーラー)、影響を受けた当事者(方向性トレーダー)、そして、観察される市場のダイナミクスを支える構造機構(強制ヘッジ)を特定するようモデルに強制する。 臨界的に、経済的な利益性が四半期ごとに変化するにもかかわらず、検出精度(91.2%)は安定しており、モデルが利益パターンではなく構造的制約を特定することを実証している。 レギュラーラベルで誘導されると、検出は100%増加するが、71.5%の偏りのないレートで、真のパターン認識が検証される。 以上の結果から, LLMには, システム戦略開発, リスク管理, トランスフォーマーアーキテクチャが金融市場動態をどのように処理するかの理解など, 純粋な構造的推論を通じて, 複雑な金融メカニズムを早期に検出できる能力があることが示唆された。

関連論文リスト

• Interpretable Hypothesis-Driven Trading:A Rigorous Walk-Forward Validation Framework for Market Microstructure Signals [0.0]
  我々は,アルゴリズム取引のためのウォークフォワード・バリデーション・フレームワークを開発した。 我々の手法は、解釈可能な仮説駆動信号生成と強化学習と厳密なサンプル外テストを組み合わせる。 このフレームワークは厳密な情報セットの規律を強制し、34の独立したテスト期間にわたるロールウインドウ検証を採用し、自然言語の仮説による完全な解釈可能性を維持している。
  論文  参考訳（メタデータ） (2025-12-15T02:20:42Z)
• Bayesian Modeling for Uncertainty Management in Financial Risk Forecasting and Compliance [0.0]
  我々は,市場ボラティリティ予測,不正検出,コンプライアンス監視におけるリスクの取り扱いを継続的に促進する統合的アプローチを開発する。 我々は,2000年から2019年までのトレーニング期間,2020年から2024年までのアウト・オブ・サンプルテスト期間を用いて,毎日のS&P500リターンにおける95%バリュー・アット・リスク(VaR)予測の性能を評価した。 提案した割引係数DLMモデルは,クラスタ化違反の証拠とともに,わずかにリベラルなVaR推定を導出する。
  論文  参考訳（メタデータ） (2025-12-06T23:00:19Z)
• A FEDformer-Based Hybrid Framework for Anomaly Detection and Risk Forecasting in Financial Time Series [0.8065001399110248]
  本研究では,金融時系列における異常検出とリスク予測のためのFEDformer-based Hybrid Frameworkを提案する。 周波数拡張分解変換器(FEDformer)と残差ベースの異常検出器とリスク予測ヘッドを統合している。 S&P 500, NASDAQ Composite, Brent Crude Oil データセット (2000-2024) を用いて行った実験は, ベンチマーク法よりも提案モデルの方が優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-17T04:09:04Z)
• Making LLMs Reliable When It Matters Most: A Five-Layer Architecture for High-Stakes Decisions [51.56484100374058]
  現在の大規模言語モデル(LLM)は、実行前にアウトプットをチェックできるが、不確実な結果を伴う高い戦略決定には信頼性が低い検証可能な領域で優れている。 このギャップは、人間と人工知能(AI)システムの相互認知バイアスによって引き起こされ、そのセクターにおける評価と投資の持続可能性の保証を脅かす。 本報告では、7つのフロンティアグレードLDMと3つの市場向けベンチャーヴィグネットの時間的圧力下での系統的質的評価から生まれた枠組みについて述べる。
  論文  参考訳（メタデータ） (2025-11-10T22:24:21Z)
• 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)
• Beyond Benchmarks: Dynamic, Automatic And Systematic Red-Teaming Agents For Trustworthy Medical Language Models [87.66870367661342]
  大規模言語モデル(LLM)は、医療におけるAIアプリケーションで使用される。 LLMを継続的にストレステストするレッドチームフレームワークは、4つのセーフティクリティカルなドメインで重大な弱点を明らかにすることができる。 敵エージェントのスイートは、自律的に変化するテストケースに適用され、安全でないトリガー戦略を特定し、評価する。 私たちのフレームワークは、進化可能でスケーラブルで信頼性の高い、次世代の医療AIのセーフガードを提供します。
  論文  参考訳（メタデータ） (2025-07-30T08:44:22Z)
• Your AI, Not Your View: The Bias of LLMs in Investment Analysis [62.388554963415906]
  金融において、Large Language Models (LLMs) は、事前訓練されたパラメトリック知識とリアルタイム市場データとの相違から生じる、頻繁な知識紛争に直面している。 これらの対立は、モデル固有のバイアスが制度的目的と誤認される現実世界の投資サービスにおいて特に問題となる。 本研究では,このような紛争シナリオにおける創発的行動を調べるための実験的枠組みを提案し,投資分析におけるバイアスの定量的分析を行う。
  論文  参考訳（メタデータ） (2025-07-28T16:09:38Z)
• Are You Getting What You Pay For? Auditing Model Substitution in LLM APIs [71.7892165868749]
  LLM(Commercial Large Language Model) APIは基本的な信頼の問題を生み出します。 ユーザーは特定のモデルに課金するが、プロバイダが忠実に提供できることを保証することはない。 我々は,このモデル置換問題を定式化し,現実的な逆条件下での検出方法を評価する。 我々は,信頼された実行環境(TEE)を実用的で堅牢なソリューションとして使用し,評価する。
  論文  参考訳（メタデータ） (2025-04-07T03:57:41Z)
• AiRacleX: Automated Detection of Price Oracle Manipulations via LLM-Driven Knowledge Mining and Prompt Generation [30.312011441118194]
  分散金融アプリケーションは、安全な取引を確保するために正確な価格保証に依存している。 プライスオラクルは操作に非常に脆弱で、攻撃者はスマートコントラクトの脆弱性を悪用することができる。 本稿では,価格変動の検知を自動化する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-10T10:58:09Z)
• Exploring Automatic Cryptographic API Misuse Detection in the Era of LLMs [60.32717556756674]
  本稿では,暗号誤用の検出において,大規模言語モデルを評価するための体系的評価フレームワークを提案する。 11,940個のLCM生成レポートを詳細に分析したところ、LSMに固有の不安定性は、報告の半数以上が偽陽性になる可能性があることがわかった。 最適化されたアプローチは、従来の手法を超え、確立されたベンチマークでこれまで知られていなかった誤用を明らかにすることで、90%近い顕著な検出率を達成する。
  論文  参考訳（メタデータ） (2024-07-23T15:31:26Z)

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。