論文の概要: FinEvo: From Isolated Backtests to Ecological Market Games for Multi-Agent Financial Strategy Evolution

• arxiv url: http://arxiv.org/abs/2602.00948v1
• Date: Sun, 01 Feb 2026 00:52:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.481394
• Title: FinEvo: From Isolated Backtests to Ecological Market Games for Multi-Agent Financial Strategy Evolution
• Title（参考訳）: FinEvo: 独立したバックテストから、マルチエージェントな金融戦略進化のためのエコロジー市場ゲームへ
• Authors: Mingxi Zou, Jiaxiang Chen, Aotian Luo, Jingyi Dai, Chi Zhang, Dongning Sun, Zenglin Xu,
• Abstract要約: FinEvoは、マルチエージェント金融戦略の進化力学を研究するための生態ゲーム形式主義である。 個人レベルでは、MLベースのヘテロジニアストレーダーによるルールベースのディープラーニング、強化学習、大規模言語モデル(LLM)が、歴史的価格や外部ニュースなどの信号を用いて適応する。 人口レベルでは、戦略分布は、3つの設計されたメカニズムの選択、革新、環境摂動によって発展し、実際の市場のダイナミックな力を捉えている。
• 参考スコア（独自算出の注目度）: 27.042813852171378
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conventional financial strategy evaluation relies on isolated backtests in static environments. Such evaluations assess each policy independently, overlook correlations and interactions, and fail to explain why strategies ultimately persist or vanish in evolving markets. We shift to an ecological perspective, where trading strategies are modeled as adaptive agents that interact and learn within a shared market. Instead of proposing a new strategy, we present FinEvo, an ecological game formalism for studying the evolutionary dynamics of multi-agent financial strategies. At the individual level, heterogeneous ML-based traders-rule-based, deep learning, reinforcement learning, and large language model (LLM) agents-adapt using signals such as historical prices and external news. At the population level, strategy distributions evolve through three designed mechanisms-selection, innovation, and environmental perturbation-capturing the dynamic forces of real markets. Together, these two layers of adaptation link evolutionary game theory with modern learning dynamics, providing a principled environment for studying strategic behavior. Experiments with external shocks and real-world news streams show that FinEvo is both stable for reproducibility and expressive in revealing context-dependent outcomes. Strategies may dominate, collapse, or form coalitions depending on their competitors-patterns invisible to static backtests. By reframing strategy evaluation as an ecological game formalism, FinEvo provides a unified, mechanism-level protocol for analyzing robustness, adaptation, and emergent dynamics in multi-agent financial markets, and may offer a means to explore the potential impact of macroeconomic policies and financial regulations on price evolution and equilibrium.
• Abstract（参考訳）: 従来の金融戦略評価は、静的環境における孤立したバックテストに依存している。 このような評価は、それぞれの政策を独立して評価し、相関や相互作用を見落とし、なぜ戦略が発展市場において最終的に持続または消滅するのかを説明するのに失敗する。 トレーディング戦略は、共有市場内で相互作用し、学習する適応的なエージェントとしてモデル化される。 新しい戦略を提案する代わりに、マルチエージェント金融戦略の進化力学を研究するためのエコロジーゲーム形式であるFinEvoを提案する。 個人レベルでは、MLベースのヘテロジニアストレーダーによるルールベースのディープラーニング、強化学習、大規模言語モデル(LLM)が、歴史的価格や外部ニュースなどの信号を用いて適応する。 人口レベルでは、戦略分布は、3つの設計されたメカニズムの選択、革新、環境摂動によって発展し、実際の市場のダイナミックな力を捉えている。 これら2つの適応層は、進化ゲーム理論と現代の学習力学を結びつけ、戦略行動を研究するための原則化された環境を提供する。 外部ショックと実世界のニュースストリームによる実験では、FinEvoは再現性に安定であり、文脈に依存した結果を明らかにするために表現力がある。 戦略は、静的なバックテストに見えない競合するパターンに依存して、支配的、崩壊的、あるいは連立を形成します。 戦略評価をエコロジーゲーム形式主義として再定義することで、FinEvoはマルチエージェント金融市場におけるロバスト性、適応性、創発的ダイナミクスを分析するための統一されたメカニズムレベルのプロトコルを提供し、マクロ経済政策と金融規制が価格の進化と均衡に与える影響を探求する手段を提供するかもしれない。

関連論文リスト

• MEME: Modeling the Evolutionary Modes of Financial Markets [11.120179118542518]
  本稿では,進化する論理のレンズを通して市場ダイナミクスを再構築するMEMEを紹介する。 MEMEは、ノイズの多いデータを高忠実な投資条件に変換するためにマルチエージェント抽出モジュールを使用している。 2023年から2025年までの3つの異質な中国のストックプールの実験では、MEMEが7つのSOTAベースラインを一貫して上回っていることが示されている。
  論文  参考訳（メタデータ） (2026-02-12T13:16:05Z)
• Emergence from Emergence: Financial Market Simulation via Learning with Heterogeneous Preferences [3.722808691920657]
  我々は、不均一なリスク回避、時間割引、情報アクセスに支えられたエージェントが取引戦略を総合的に学習するマルチエージェント強化学習フレームワークを開発する。 実験の結果, (i) 不均一な嗜好による学習は, エージェントが個々の特性に整合した戦略を発達させ, 市場における行動分化とニッチな特殊化を促進させ, (ii) 差別化されたエージェントによるインタラクションが, 現実的な市場ダイナミクスの出現に不可欠であることを明らかにした。
  論文  参考訳（メタデータ） (2025-11-07T12:54:27Z)
• QuantEvolve: Automating Quantitative Strategy Discovery through Multi-Agent Evolutionary Framework [5.824247126563122]
  QuantEvolveは、品質最適化と仮説駆動型戦略生成を組み合わせた進化的フレームワークである。 市場体制の変化と個々の投資ニーズに適応する多様で洗練された戦略を生み出します。
  論文  参考訳（メタデータ） (2025-10-21T12:22:16Z)
• Trade in Minutes! Rationality-Driven Agentic System for Quantitative Financial Trading [57.28635022507172]
  TiMiは、アーキテクチャ上、戦略開発を分単位のデプロイメントから切り離す合理性駆動型マルチエージェントシステムである。 本稿では,マクロパターンからマイクロカスタマイズ,トレーディングボット実装のための階層型プログラミング設計,数学的リフレクションによって駆動されるクローズドループ最適化までの2層解析パラダイムを提案する。
  論文  参考訳（メタデータ） (2025-10-06T13:08:55Z)
• EvoEmo: Towards Evolved Emotional Policies for Adversarial LLM Agents in Multi-Turn Price Negotiation [61.627248012799704]
  既存のLarge Language Models (LLM)エージェントは、そのような交渉における感情の機能的役割をほとんど見落としている。 本稿では,交渉における動的感情表現を最適化する進化的強化学習フレームワークであるEvoEmoを紹介する。
  論文  参考訳（メタデータ） (2025-09-04T15:23:58Z)
• From Bias to Behavior: Learning Bull-Bear Market Dynamics with Contrastive Modeling [13.039189005779534]
  本稿では、投資家主導の市場ダイナミクスにおけるブル・ベア体制の可能性について考察する。 本稿では,時間的価格列と外部コンテキスト信号を共有潜在空間に埋め込む統合フレームワークであるB4(Bias to Behavior from Bull-Bear Dynamics Model)を提案する。 我々のモデルは市場のトレンドを予測する上で優れたパフォーマンスを実現し、バイアスや投資家の行動、市場のダイナミクスの相互作用に関する解釈可能な洞察を提供する。
  論文  参考訳（メタデータ） (2025-07-12T11:36:26Z)
• Predictability Shapes Adaptation: An Evolutionary Perspective on Modes of Learning in Transformers [51.992454203752686]
  トランスフォーマーモデルは、IWL(In-weights Learning)とICL(In-context Learning)の2つの異なるモードで学習する。 我々は進化生物学の類似した適応戦略である遺伝的エンコーディングと表現型可塑性からインスピレーションを得ている。 我々はこれらの予測可能性の次元を実験的に運用し、トランスフォーマーのICL/IWLバランスへの影響について検討する。
  論文  参考訳（メタデータ） (2025-05-14T23:31:17Z)
• 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)
• Deviations from the Nash equilibrium and emergence of tacit collusion in a two-player optimal execution game with reinforcement learning [0.9208007322096533]
  2つの自律的エージェントが市場の影響下で同じ資産を最適に清算することを学習するシナリオについて検討する。 その結果,エージェントが学んだ戦略は,対応する市場影響ゲームのナッシュ均衡から大きく逸脱していることがわかった。 市場のボラティリティの異なるレベルがエージェントのパフォーマンスと彼らが発見する均衡にどのように影響するかを考察する。
  論文  参考訳（メタデータ） (2024-08-21T16:54:53Z)
• Efficient Model-based Multi-agent Reinforcement Learning via Optimistic Equilibrium Computation [93.52573037053449]
  H-MARL (Hallucinated Multi-Agent Reinforcement Learning) は,環境と数回交流した後の平衡政策を学習する。 自律運転シミュレーションベンチマークにおいて,本手法を実験的に実証した。
  論文  参考訳（メタデータ） (2022-03-14T17:24:03Z)
• Finding General Equilibria in Many-Agent Economic Simulations Using Deep Reinforcement Learning [72.23843557783533]
  本研究では,エージェント種別のメタゲームに対して,エプシロン・ナッシュ平衡である安定解を求めることができることを示す。 私たちのアプローチはより柔軟で、例えば市場クリア化のような非現実的な仮定は必要ありません。 当社のアプローチは、実際のビジネスサイクルモデル、DGEモデルの代表的なファミリー、100人の労働者消費者、10社の企業、税金と再分配を行う政府で実証しています。
  論文  参考訳（メタデータ） (2022-01-03T17:00:17Z)

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。