論文の概要: Adversarial News and Lost Profits: Manipulating Headlines in LLM-Driven Algorithmic Trading

• arxiv url: http://arxiv.org/abs/2601.13082v1
• Date: Mon, 19 Jan 2026 14:19:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.923485
• Title: Adversarial News and Lost Profits: Manipulating Headlines in LLM-Driven Algorithmic Trading
• Title（参考訳）: 逆ニュースと損失利益: LLM駆動型アルゴリズム取引における見出し操作
• Authors: Advije Rizvani, Giovanni Apruzzese, Pavel Laskov,
• Abstract要約: 大きな言語モデル(LLM)は金融分野でますます採用されている。 テキストデータを分析できる優れた能力は、金融関連のニュースの感情を推測するのに適している。 この慣行は、脅威俳優がLSMを誤解させようとする「敵のニュース」を制作するリスクを負う。
• 参考スコア（独自算出の注目度）: 2.0354824281017723
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Large Language Models (LLMs) are increasingly adopted in the financial domain. Their exceptional capabilities to analyse textual data make them well-suited for inferring the sentiment of finance-related news. Such feedback can be leveraged by algorithmic trading systems (ATS) to guide buy/sell decisions. However, this practice bears the risk that a threat actor may craft "adversarial news" intended to mislead an LLM. In particular, the news headline may include "malicious" content that remains invisible to human readers but which is still ingested by the LLM. Although prior work has studied textual adversarial examples, their system-wide impact on LLM-supported ATS has not yet been quantified in terms of monetary risk. To address this threat, we consider an adversary with no direct access to an ATS but able to alter stock-related news headlines on a single day. We evaluate two human-imperceptible manipulations in a financial context: Unicode homoglyph substitutions that misroute models during stock-name recognition, and hidden-text clauses that alter the sentiment of the news headline. We implement a realistic ATS in Backtrader that fuses an LSTM-based price forecast with LLM-derived sentiment (FinBERT, FinGPT, FinLLaMA, and six general-purpose LLMs), and quantify monetary impact using portfolio metrics. Experiments on real-world data show that manipulating a one-day attack over 14 months can reliably mislead LLMs and reduce annual returns by up to 17.7 percentage points. To assess real-world feasibility, we analyze popular scraping libraries and trading platforms and survey 27 FinTech practitioners, confirming our hypotheses. We notified trading platform owners of this security issue.
• Abstract（参考訳）: 大きな言語モデル(LLM)は金融分野でますます採用されている。 テキストデータを分析できる優れた能力は、金融関連のニュースの感情を推測するのに適している。 このようなフィードバックは、アルゴリズム取引システム(ATS)によって、購入/販売決定を導くことができる。 しかし、この慣行は、脅威俳優がLDMを誤解させる意図のある「敵のニュース」を制作するリスクを負う。 特に、ニュースの見出しには、人間の読者には見えず、LLMによって摂取されている「悪意のある」コンテンツが含まれているかもしれない。 従来の研究では、テキストの敵対的な例について研究されてきたが、LLMが支援するATSに対するシステム全体の影響は、金融リスクの観点からはまだ定量化されていない。 この脅威に対処するため、敵はATSに直接アクセスせず、株価に関するニュースの見出しを1日で変更できると考えている。 我々は、ストックネーム認識時にモデルが誤用されるUnicodeホモグリフ置換と、ニュース見出しの感情を変化させる隠れ文節の2つの操作を財務的文脈で評価する。 我々は,LSTMに基づく価格予測をLSM由来の感情(FinBERT,FinGPT,FinLLaMA,および6つの汎用LSM)と融合した現実的なATSを実装し,ポートフォリオメトリクスを用いて金銭的影響を定量化する。 実世界のデータによる実験では、1日1回の攻撃を14ヶ月以上操作することは、LSMを確実に誤解させ、最大17.7%のリターンを減少させることが示されている。 実世界の実現可能性を評価するため、人気のあるスクラップライブラリやトレーディングプラットフォームを分析し、27人のFinTech実践者を調査し、仮説を確認した。 我々はこのセキュリティ問題についてトレーディングプラットフォーム所有者に通知した。

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)
• 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)
• Are We There Yet? Revealing the Risks of Utilizing Large Language Models in Scholarly Peer Review [66.73247554182376]
  大規模言語モデル(LLM)がピアレビューに統合された。 未確認のLLMの採用は、ピアレビューシステムの完全性に重大なリスクをもたらす。 5%のレビューを操作すれば、論文の12%が上位30%のランキングでその地位を失う可能性がある。
  論文  参考訳（メタデータ） (2024-12-02T16:55:03Z)
• AI in Investment Analysis: LLMs for Equity Stock Ratings [0.2916558661202724]
  本稿では,Large Language Models (LLMs) のマルチ水平ストックレーティングへの適用について検討する。 本研究は、LLMを活用して株価評価の精度と一貫性を向上させることで、これらの課題に対処する。 提案手法は,フォワードリターンで評価した場合,従来の株価評価手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-30T15:06:57Z)
• Financial Statement Analysis with Large Language Models [0.0]
  我々はGPT4に標準化された匿名の財務文書を提供し、モデルを解析するように指示する。 このモデルでは、財務アナリストが収益の変化を予測できる能力を上回っている。 GPTの予測に基づく貿易戦略は、他のモデルに基づく戦略よりもシャープ比とアルファ率が高い。
  論文  参考訳（メタデータ） (2024-07-25T08:36:58Z)
• CLAMBER: A Benchmark of Identifying and Clarifying Ambiguous Information Needs in Large Language Models [60.59638232596912]
  大規模言語モデル(LLM)を評価するベンチマークであるCLAMBERを紹介する。 分類を基盤として12Kの高品質なデータを構築し, 市販のLCMの強度, 弱点, 潜在的なリスクを評価する。 本研究は, あいまいなユーザクエリの特定と明確化において, 現在のLCMの実用性に限界があることを示唆する。
  論文  参考訳（メタデータ） (2024-05-20T14:34:01Z)
• AlphaFin: Benchmarking Financial Analysis with Retrieval-Augmented Stock-Chain Framework [48.3060010653088]
  我々はAlphaFinデータセットをリリースし、従来の研究データセット、リアルタイム財務データ、手書きのチェーン・オブ・プリート(CoT)データを組み合わせています。 次に、AlphaFinデータセットを使用して、金融分析タスクを効果的に処理するために、Stock-Chainと呼ばれる最先端の手法をベンチマークします。
  論文  参考訳（メタデータ） (2024-03-19T09:45:33Z)
• Assessing Look-Ahead Bias in Stock Return Predictions Generated By GPT Sentiment Analysis [0.0]
  大規模言語モデル(LLM)は、ニューステキストの感情から利益の出るトレーディング信号を抽出することができる。 このバイアスは、LLMがニュース記事に続く株価のリターンについて特定の知識を持つことができるルック・ア・ヘッドバイアスと、社名を冠した企業の一般的な知識がテキストの感情の測定に干渉する気晴らし効果の2つの形態をとることができる。 金融ニュースの見出しの感情が引き起こすトレーディング戦略を通じて、これらのバイアス源を調査します。
  論文  参考訳（メタデータ） (2023-09-29T15:30:32Z)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [48.87381259980254]
  我々は、ChatGPTのような大規模言語モデル(LLM)が、直接の金融トレーニングなしでニュースの見出しから株式市場の反応を予測する能力について文書化している。 GPT-4は、認識後カットオフの見出しを使って、最初の市場の反応を捉え、取引不能な初期反応に対して、ポートフォリオの1日当たりのヒット率を約90%達成している。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)

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。