論文の概要: Behavioral Consistency Validation for LLM Agents: An Analysis of Trading-Style Switching through Stock-Market Simulation

• arxiv url: http://arxiv.org/abs/2602.07023v1
• Date: Mon, 02 Feb 2026 09:25:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.368577
• Title: Behavioral Consistency Validation for LLM Agents: An Analysis of Trading-Style Switching through Stock-Market Simulation
• Title（参考訳）: LLM剤の挙動整合性検証:ストックマーケットシミュレーションによる取引スタイル切替の解析
• Authors: Zeping Li, Guancheng Wan, Keyang Chen, Yu Chen, Yiwen Zhao, Philip Torr, Guangnan Ye, Zhenfei Yin, Hongfeng Chai,
• Abstract要約: 我々は、金融市場シナリオを用いて、エージェントの戦略変更が金融理論と一致するかどうかをテストする。 本研究は, 長期保存と促進により設定された4つの行動金融ドライバー・アバージョン, ハーディング, 富の分化, 価格の相違を人格特性として運用する。 以上の結果から,最近のLCMのスイッチング動作は,挙動有限性理論と部分的に一致していることがわかった。
• 参考スコア（独自算出の注目度）: 37.95724732592611
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent works have increasingly applied Large Language Models (LLMs) as agents in financial stock market simulations to test if micro-level behaviors aggregate into macro-level phenomena. However, a crucial question arises: Do LLM agents' behaviors align with real market participants? This alignment is key to the validity of simulation results. To explore this, we select a financial stock market scenario to test behavioral consistency. Investors are typically classified as fundamental or technical traders, but most simulations fix strategies at initialization, failing to reflect real-world trading dynamics. In this work, we assess whether agents' strategy switching aligns with financial theory, providing a framework for this evaluation. We operationalize four behavioral-finance drivers-loss aversion, herding, wealth differentiation, and price misalignment-as personality traits set via prompting and stored long-term. In year-long simulations, agents process daily price-volume data, trade under a designated style, and reassess their strategy every 10 trading days. We introduce four alignment metrics and use Mann-Whitney U tests to compare agents' style-switching behavior with financial theory. Our results show that recent LLMs' switching behavior is only partially consistent with behavioral-finance theories, highlighting the need for further refinement in aligning agent behavior with financial theory.
• Abstract（参考訳）: 近年、マイクロレベルの挙動がマクロレベルの現象に集約されるかどうかをテストするため、金融市場シミュレーションのエージェントとしてLarge Language Models (LLMs) を適用している。 LLMエージェントの行動は実際の市場参加者と一致しているか? このアライメントはシミュレーション結果の有効性の鍵となる。 これを探るため、行動整合性をテストするために金融市場シナリオを選択します。 投資家は通常、基本的または技術的トレーダーに分類されるが、ほとんどのシミュレーションは初期化時に戦略を修正し、現実世界のトレーディングのダイナミクスを反映しない。 本研究では,エージェントの戦略変更が金融理論と一致しているかを評価するとともに,この評価の枠組みを提供する。 本研究は, 長期保存と促進により設定された4つの行動金融ドライバー・アバージョン, ハーディング, 富の分化, 価格の相違を人格特性として運用する。 1年間のシミュレーションでは、エージェントは毎日の価格ボリュームのデータ処理、指定されたスタイルでの取引、そして10日ごとに戦略の再評価を行う。 4つのアライメント指標を導入し,マン・ホイットニーUテストを用いてエージェントのスタイル変更動作と金融理論を比較した。 以上の結果から,近年のLCMのスイッチング動作は行動ファイナンス理論と部分的に一致していることが示唆され,エージェント動作と金融理論との整合性の向上の必要性が示唆された。

関連論文リスト

• When Agents Trade: Live Multi-Market Trading Benchmark for LLM Agents [74.55061622246824]
  Agent Market Arena (AMA)は、LLM(Large Language Model)ベースのトレーディングエージェントを評価するための、初めてのリアルタイムベンチマークである。 AMAは、検証済みのトレーディングデータ、専門家チェックされたニュース、および統一されたトレーディングフレームワーク内に多様なエージェントアーキテクチャを統合する。 GPT-4o、GPT-4.1、Claude-3.5-haiku、Claude-sonnet-4、Gemini-2.0-flashにまたがる薬剤を評価する。
  論文  参考訳（メタデータ） (2025-10-13T17:54:09Z)
• 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)
• 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)
• To Trade or Not to Trade: An Agentic Approach to Estimating Market Risk Improves Trading Decisions [0.0]
  大規模言語モデル(LLM)はますますエージェントフレームワークにデプロイされている。 我々は LLM を用いて金融時系列の微分方程式を反復的に発見するエージェントシステムを開発した。 モデルインフォームドトレーディング戦略は標準LLMエージェントよりも優れていた。
  論文  参考訳（メタデータ） (2025-07-11T13:29:32Z)
• When AI Meets Finance (StockAgent): Large Language Model-based Stock Trading in Simulated Real-world Environments [55.19252983108372]
  LLMによって駆動される、StockAgentと呼ばれるマルチエージェントAIシステムを開発した。 StockAgentを使えば、ユーザーはさまざまな外部要因が投資家取引に与える影響を評価することができる。 AIエージェントに基づく既存のトレーディングシミュレーションシステムに存在するテストセットのリーク問題を回避する。
  論文  参考訳（メタデータ） (2024-07-15T06:49:30Z)

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。