論文の概要: Incorporating Cognitive Biases into Reinforcement Learning for Financial Decision-Making

• arxiv url: http://arxiv.org/abs/2601.08247v1
• Date: Tue, 13 Jan 2026 06:09:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-14 18:27:19.077212
• Title: Incorporating Cognitive Biases into Reinforcement Learning for Financial Decision-Making
• Title（参考訳）: 財務意思決定のための強化学習への認知バイアスの導入
• Authors: Liu He,
• Abstract要約: 本研究は、認知バイアスを金融取引のための強化学習フレームワークに統合する。 過信や損失回避といったバイアスを報酬構造や意思決定プロセスに導入します。 決定的あるいは否定的な結果にもかかわらず、本研究では人間のようなバイアスをRLに組み込む際の課題について考察する。
• 参考スコア（独自算出の注目度）: 6.60395970974896
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Financial markets are influenced by human behavior that deviates from rationality due to cognitive biases. Traditional reinforcement learning (RL) models for financial decision-making assume rational agents, potentially overlooking the impact of psychological factors. This study integrates cognitive biases into RL frameworks for financial trading, hypothesizing that such models can exhibit human-like trading behavior and achieve better risk-adjusted returns than standard RL agents. We introduce biases, such as overconfidence and loss aversion, into reward structures and decision-making processes and evaluate their performance in simulated and real-world trading environments. Despite its inconclusive or negative results, this study provides insights into the challenges of incorporating human-like biases into RL, offering valuable lessons for developing robust financial AI systems.
• Abstract（参考訳）: 金融市場は、認知バイアスによる合理性から逸脱する人間の行動に影響を受けている。 金融決定のための伝統的な強化学習(RL)モデルは合理的なエージェントを仮定し、潜在的に心理的要因の影響を見落としている。 本研究では、認知バイアスを金融取引のためのRLフレームワークに統合し、そのようなモデルが人間のような取引行動を示し、標準のRLエージェントよりもリスク調整されたリターンを達成することができると仮定する。 我々は、過信や損失回避といったバイアスを報酬構造や意思決定プロセスに導入し、シミュレートされた実世界のトレーディング環境でのパフォーマンスを評価する。 決定的あるいは否定的な結果にもかかわらず、この研究は人間のようなバイアスをRLに組み込むことの課題に関する洞察を与え、堅牢な金融AIシステムを開発する上で貴重な教訓を提供する。

関連論文リスト

• 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)
• Can Large Language Models Develop Gambling Addiction? [3.6383374879775108]
  本研究では,大規模言語モデルがヒトギャンブル中毒に類似した行動パターンを呈するか否かを検討する。 我々は,ヒトギャンブル中毒研究に基づく認知行動および神経レベルにおける意思決定の分析を行った。
  論文  参考訳（メタデータ） (2025-09-26T18:24:22Z)
• 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)
• FinHEAR: Human Expertise and Adaptive Risk-Aware Temporal Reasoning for Financial Decision-Making [58.04602111184477]
  FinHEARは、人間の専門知識と適応的リスク認識推論のためのフレームワークである。 専門のエージェントを編成し、過去の傾向を分析し、現在の出来事を解釈し、専門家にインフォームドされた前例を検索する。 金融データセットの実証的な結果から、FinHEARはトレンド予測やトレーディングタスクにおいて、一貫して強いベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-06-10T04:06:51Z)
• Two Experts Are All You Need for Steering Thinking: Reinforcing Cognitive Effort in MoE Reasoning Models Without Additional Training [86.70255651945602]
  我々はReinforcecing Cognitive Experts(RICE)と呼ばれる新しい推論時ステアリング手法を導入する。 RICEは、追加のトレーニングや複雑化なしに推論のパフォーマンスを改善することを目的としている。 先行する MoE ベースの LRM を用いた経験的評価は、推論精度、認知効率、ドメイン間の一般化において顕著で一貫した改善を示す。
  論文  参考訳（メタデータ） (2025-05-20T17:59:16Z)
• Self-Adaptive Cognitive Debiasing for Large Language Models in Decision-Making [71.71796367760112]
  大規模言語モデル(LLM)は意思決定アプリケーションをサポートする可能性を示している。 我々は,自己適応型認知脱バイアス(SACD)という認知脱バイアス手法を提案する。 オープンウェイトとクローズドウェイトの両方を用いた金融・医療・法的意思決定タスクにおけるSACDの評価を行った。
  論文  参考訳（メタデータ） (2025-04-05T11:23:05Z)
• Investigating the Impact of LLM Personality on Cognitive Bias Manifestation in Automated Decision-Making Tasks [4.65004369765875]
  パーソナリティ特性は、バイアスの増幅または減少において重要な役割を果たす。 良心と積極性は一般に偏見緩和戦略の有効性を高める可能性がある。
  論文  参考訳（メタデータ） (2025-02-20T03:15:54Z)
• Are LLMs Rational Investors? A Study on Detecting and Reducing the Financial Bias in LLMs [44.53203911878139]
  大規模言語モデル(LLM)は、複雑な市場データとトレンドを解釈する金融分析において、ますます採用されている。 Financial Bias Indicators (FBI)は、Bias Unveiler、Bias Detective、Bias Tracker、Bias Antidoteといったコンポーネントを備えたフレームワークである。 我々は、23のLLMを評価し、財務因果知識に基づく非バイアス化手法を提案する。
  論文  参考訳（メタデータ） (2024-02-20T04:26:08Z)
• Limited or Biased: Modeling Sub-Rational Human Investors in Financial Markets [2.913033886371052]
  我々は、強化学習を用いて、人間のサブリレータリティの5つの側面を組み込んだフレキシブルモデルを導入する。 我々は,手作り市場シナリオとSHAP値分析を用いて,サブ専門家の行動を評価する。
  論文  参考訳（メタデータ） (2022-10-16T15:50:26Z)

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。