論文の概要: MEME: Modeling the Evolutionary Modes of Financial Markets

• arxiv url: http://arxiv.org/abs/2602.11918v1
• Date: Thu, 12 Feb 2026 13:16:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.82707
• Title: MEME: Modeling the Evolutionary Modes of Financial Markets
• Title（参考訳）: MEME:金融市場の進化様式をモデル化する
• Authors: Taian Guo, Haiyang Shen, Junyu Luo, Zhongshi Xing, Hanchun Lian, Jinsheng Huang, Binqi Chen, Luchen Liu, Yun Ma, Ming Zhang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 11.120179118542518
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLMs have demonstrated significant potential in quantitative finance by processing vast unstructured data to emulate human-like analytical workflows. However, current LLM-based methods primarily follow either an Asset-Centric paradigm focused on individual stock prediction or a Market-Centric approach for portfolio allocation, often remaining agnostic to the underlying reasoning that drives market movements. In this paper, we propose a Logic-Oriented perspective, modeling the financial market as a dynamic, evolutionary ecosystem of competing investment narratives, termed Modes of Thought. To operationalize this view, we introduce MEME (Modeling the Evolutionary Modes of Financial Markets), designed to reconstruct market dynamics through the lens of evolving logics. MEME employs a multi-agent extraction module to transform noisy data into high-fidelity Investment Arguments and utilizes Gaussian Mixture Modeling to uncover latent consensus within a semantic space. To model semantic drift among different market conditions, we also implement a temporal evaluation and alignment mechanism to track the lifecycle and historical profitability of these modes. By prioritizing enduring market wisdom over transient anomalies, MEME ensures that portfolio construction is guided by robust reasoning. Extensive experiments on three heterogeneous Chinese stock pools from 2023 to 2025 demonstrate that MEME consistently outperforms seven SOTA baselines. Further ablation studies, sensitivity analysis, lifecycle case study and cost analysis validate MEME's capacity to identify and adapt to the evolving consensus of financial markets. Our implementation can be found at https://github.com/gta0804/MEME.
• Abstract（参考訳）: LLMは、人間のような分析ワークフローをエミュレートするために、膨大な非構造化データを処理することで、量的ファイナンスにおいて有意義な可能性を証明している。 しかし、現在のLCMベースの手法は主に、個々の株式の予測に焦点を当てたアセット・センターのパラダイムや、ポートフォリオの配分に対するマーケット・センターのアプローチを踏襲している。 本稿では、金融市場を、競合する投資物語のダイナミックで進化的なエコシステムとしてモデル化する「思考のモード」という論理指向の視点を提案する。 この視点を運用するために,進化論理のレンズを通して市場ダイナミクスを再構築するためのMEME(Modeling the Evolutionary Modes of Financial Markets)を導入する。 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、ガウス混合モデリングを用いてセマンティック空間内の遅延コンセンサスを明らかにする。 異なる市場条件間のセマンティックドリフトをモデル化するために、これらのモードのライフサイクルと歴史的収益性を追跡するための時間的評価とアライメント機構を実装した。 恒常的な市場知恵を過渡的異常よりも優先することにより、MEMEは、ポートフォリオ構築が堅牢な推論によってガイドされることを保証する。 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に関する大規模な実験は、MEMEが一貫して7つのSOTAベースラインを上回っていることを示している。 さらなるアブレーション研究、感度分析、ライフサイクルケーススタディ、コスト分析は、MEMEの金融市場の進化するコンセンサスを識別し、適応する能力を検証する。 実装はhttps://github.com/gta0804/MEMEで確認できます。

関連論文リスト

• 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)
• 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)
• Deriving Strategic Market Insights with Large Language Models: A Benchmark for Forward Counterfactual Generation [55.2788567621326]
  本稿では,FIN-FORCE-FINancial Forward Counterfactual Evaluationを提案する。 FIN-FORCEは金融ニュースの見出しをまとめることで、LLMベースの対実生成を支援する。 これにより、将来の市場展開を探索し、予測するためのスケーラブルで自動化されたソリューションの道を開くことができる。
  論文  参考訳（メタデータ） (2025-05-26T02:41:50Z)
• Cross-Modal Temporal Fusion for Financial Market Forecasting [3.0756278306759635]
  我々は、市場予測を改善するために、構造化および非構造化の財務データを融合するトランスフォーマーベースのディープラーニングフレームワークであるCross-Modal Temporal Fusion (CMTF)を導入する。 FTSE 100 ストックデータを用いた実験結果から,CMTF は古典的および深層学習ベースラインと比較して,価格方向分類において優れた性能を示した。
  論文  参考訳（メタデータ） (2025-04-18T07:20:18Z)
• A Multi-agent Market Model Can Explain the Impact of AI Traders in Financial Markets -- A New Microfoundations of GARCH model [3.655221783356311]
  本稿では,ノイズトレーダー,基本トレーダー,AIトレーダーの3種類のエージェントを組み込んだマルチエージェント市場モデルを提案する。 我々は,このモデルをマルチエージェントシミュレーションにより検証し,金融市場のスタイル化された事実を再現する能力を確認した。
  論文  参考訳（メタデータ） (2024-09-19T07:14:13Z)
• Simulating Financial Market via Large Language Model based Agents [22.36549613587476]
  ほとんどの経済理論は、金融市場の参加者が完全に合理的な個人であり、金融市場の人間の振る舞いをシミュレートするために数学的モデルを使用していると仮定している。 textbfAgentベースのtextbfSimulated textbfFinancial textbfMarket (ASFM) を提案する。
  論文  参考訳（メタデータ） (2024-06-28T14:54:12Z)
• Long Short-Term Memory Pattern Recognition in Currency Trading [0.0]
  ワイコフフェイズ(Wyckoff Phases)は、リチャード・D・ワイコフが20世紀初頭に考案したフレームワークである。 本研究は、取引範囲と二次試験の段階を探求し、市場ダイナミクスを理解することの重要性を解明する。 この研究は、これらの相の複雑さを解き明かすことで、市場構造を通して流動性を生み出すことに光を当てている。 この研究は、金融分析とトレーディング戦略におけるAI駆動アプローチの変革の可能性を強調している。
  論文  参考訳（メタデータ） (2024-02-23T12:59:49Z)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)

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。