論文の概要: Generative AI-enhanced Sector-based Investment Portfolio Construction

• arxiv url: http://arxiv.org/abs/2512.24526v1
• Date: Wed, 31 Dec 2025 00:19:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.515636
• Title: Generative AI-enhanced Sector-based Investment Portfolio Construction
• Title（参考訳）: ジェネレーティブAIを活用したインベストメントポートフォリオの構築
• Authors: Alina Voronina, Oleksandr Romanko, Ruiwen Cao, Roy H. Kwon, Rafael Mendoza-Arriaga,
• Abstract要約: 本稿では,大規模言語モデル(LLM)を量的セクターベースポートフォリオ構築に適用する方法について検討する。 我々は、S&P 500セクターインデックス内の投資可能な株式の宇宙を特定するためにLLMを使用する。 従来のポートフォリオ最適化手法と組み合わせて、それらの選択がどのように機能するかを評価する。
• 参考スコア（独自算出の注目度）: 12.174346896225153
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper investigates how Large Language Models (LLMs) from leading providers (OpenAI, Google, Anthropic, DeepSeek, and xAI) can be applied to quantitative sector-based portfolio construction. We use LLMs to identify investable universes of stocks within S&P 500 sector indices and evaluate how their selections perform when combined with classical portfolio optimization methods. Each model was prompted to select and weight 20 stocks per sector, and the resulting portfolios were compared with their respective sector indices across two distinct out-of-sample periods: a stable market phase (January-March 2025) and a volatile phase (April-June 2025). Our results reveal a strong temporal dependence in LLM portfolio performance. During stable market conditions, LLM-weighted portfolios frequently outperformed sector indices on both cumulative return and risk-adjusted (Sharpe ratio) measures. However, during the volatile period, many LLM portfolios underperformed, suggesting that current models may struggle to adapt to regime shifts or high-volatility environments underrepresented in their training data. Importantly, when LLM-based stock selection is combined with traditional optimization techniques, portfolio outcomes improve in both performance and consistency. This study contributes one of the first multi-model, cross-provider evaluations of generative AI algorithms in investment management. It highlights that while LLMs can effectively complement quantitative finance by enhancing stock selection and interpretability, their reliability remains market-dependent. The findings underscore the potential of hybrid AI-quantitative frameworks, integrating LLM reasoning with established optimization techniques, to produce more robust and adaptive investment strategies.
• Abstract（参考訳）: 本稿では,主要なプロバイダ (OpenAI, Google, Anthropic, DeepSeek, xAI) からのLarge Language Models (LLM) を量的セクターベースのポートフォリオ構築に適用する方法について検討する。 我々はLSMを用いてS&P500セクターインデックス内の投資可能な在庫の宇宙を特定し、古典的なポートフォリオ最適化手法と組み合わせてそれらの選択がどのように機能するかを評価する。 各モデルにはセクター当たり20株の選定と重み付けが促され、結果として得られたポートフォリオは、安定市場段階(2025年1月から3月)と揮発性段階(2025年4月から6月)の2つの異なる非サンプル期間のセクター指標と比較された。 LLMポートフォリオの性能には時間的依存が強いことが判明した。 安定した市場環境では、LPM重み付けポートフォリオは累積リターンとリスク調整(シャープ比)の両方でセクター指標を上回った。 しかしながら、揮発性期間中、多くのLCMポートフォリオはパフォーマンスが低下し、現在のモデルでは、トレーニングデータに不足した状態の変化や高ボラティリティ環境への適応に苦慮している可能性があることを示唆している。 LLMベースの株式選択と従来の最適化手法を組み合わせると、ポートフォリオの成果はパフォーマンスと一貫性の両方において改善される。 本研究は、投資管理における生成AIアルゴリズムのクロスプロジェクタによる最初のマルチモデル評価の1つに貢献する。 LLMは株式選択と解釈可能性を高めることで量的金融を効果的に補完できるが、信頼性は市場依存のままである。 この結果は、LLM推論と確立された最適化技術を統合することで、より堅牢で適応的な投資戦略を生み出す、ハイブリッドAI定量的フレームワークの可能性を強調している。

関連論文リスト

• StockBench: Can LLM Agents Trade Stocks Profitably In Real-world Markets? [44.10622904101254]
  大規模言語モデル(LLM)は、最近、自律エージェントとして強力な能力を示した。 実時間複数ヶ月の株式トレーディング環境でLLMエージェントを評価するためのベンチマークであるStockBenchを紹介する。 我々の評価では、ほとんどのLLMエージェントは、単純な買い買い得ベースラインよりも優れているが、いくつかのモデルでは、より高いリターンをもたらし、より効果的にリスクを管理する可能性を実証している。
  論文  参考訳（メタデータ） (2025-10-02T16:54:57Z)
• 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)
• 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)
• LLM-Enhanced Black-Litterman Portfolio Optimization [30.37210534945387]
  本研究では,大言語モデルからの回帰予測と予測の不確実性をブラック・リッターマンモデルのコア入力に変換する体系的なフレームワークを提案し,検証する。 S&P 500 構成成分のバックテストを通じて、最高性能の LLM によって駆動されるポートフォリオが、絶対的およびリスク調整された両項において従来のベースラインを大きく上回っていることを示す。
  論文  参考訳（メタデータ） (2025-04-19T16:26:14Z)
• Automate Strategy Finding with LLM in Quant Investment [32.74265532529821]
  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)
• 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)
• 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。