論文の概要: Janus-Q: End-to-End Event-Driven Trading via Hierarchical-Gated Reward Modeling

• arxiv url: http://arxiv.org/abs/2602.19919v1
• Date: Mon, 23 Feb 2026 14:58:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.868822
• Title: Janus-Q: End-to-End Event-Driven Trading via Hierarchical-Gated Reward Modeling
• Title（参考訳）: Janus-Q:階層型リワードモデリングによるエンドツーエンドのイベント駆動トレーディング
• Authors: Xiang Li, Zikai Wei, Yiyan Qi, Wanyun Zhou, Xiang Liu, Penglei Sun, Yongqi Zhang, Xiaowen Chu,
• Abstract要約: Janus-Qはエンドツーエンドのイベント駆動トレーディングフレームワークである。 イベント中心のデータ構築とモデル最適化を2段階のパラダイムで統一する。 市場指標よりも一貫性があり、解釈可能で、利益性の高い取引決定を達成している。
• 参考スコア（独自算出の注目度）: 25.900492471571194
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Financial market movements are often driven by discrete financial events conveyed through news, whose impacts are heterogeneous, abrupt, and difficult to capture under purely numerical prediction objectives. These limitations have motivated growing interest in using textual information as the primary source of trading signals in learning-based systems. Two key challenges hinder existing approaches: (1) the absence of large-scale, event-centric datasets that jointly model news semantics and statistically grounded market reactions, and (2) the misalignment between language model reasoning and financially valid trading behavior under dynamic market conditions. To address these challenges, we propose Janus-Q, an end-to-end event-driven trading framework that elevates financial news events from auxiliary signals to primary decision units. Janus-Q unifies event-centric data construction and model optimization under a two-stage paradigm. Stage I focuses on event-centric data construction, building a large-scale financial news event dataset comprising 62,400 articles annotated with 10 fine-grained event types, associated stocks, sentiment labels, and event-driven cumulative abnormal return (CAR). Stage II performs decision-oriented fine-tuning, combining supervised learning with reinforcement learning guided by a Hierarchical Gated Reward Model (HGRM), which explicitly captures trade-offs among multiple trading objectives. Extensive experiments demonstrate that Janus-Q achieves more consistent, interpretable, and profitable trading decisions than market indices and LLM baselines, improving the Sharpe Ratio by up to 102.0% while increasing direction accuracy by over 17.5% compared to the strongest competing strategies.
• Abstract（参考訳）: 金融市場の動きは、しばしばニュースを通じて伝えられる離散的な金融イベントによって引き起こされる。 これらの制限は、学習ベースのシステムにおけるトレーディング信号の主要な情報源としてテキスト情報を使うことへの関心が高まっている。 1)ニュースセマンティクスと統計的根拠を持つ市場反応を共同でモデル化する大規模イベント中心のデータセットが存在しないこと,2)動的市場条件下での言語モデル推論と経済的に有効な取引行動の不整合である。 これらの課題に対処するため,金融ニュースイベントを補助信号から一次決定単位へと高める,エンドツーエンドのイベント駆動トレーディングフレームワークであるJanus-Qを提案する。 Janus-Qはイベント中心のデータ構築とモデル最適化を2段階のパラダイムで統一する。 ステージ1は、イベント中心のデータ構築、62,400の記事からなる大規模な金融ニュースイベントデータセットの構築、10のきめ細かいイベントタイプ、関連株、センチメントラベル、イベント駆動の累積異常リターン(CAR)などに焦点を当てている。 ステージIIは、教師付き学習と階層的ゲート・リワード・モデル(HGRM)によって導かれる強化学習を組み合わせて、決定指向の微調整を行う。 広範な実験により、Janus-Qは市場指標やLLMベースラインよりも一貫性があり、解釈可能で、利益のある取引決定を達成し、シャープ比を最大102.0%改善し、最強の競争戦略に比べて方向精度を17.5%以上向上することを示した。

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)
• 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)
• STORM: A Spatio-Temporal Factor Model Based on Dual Vector Quantized Variational Autoencoders for Financial Trading [55.02735046724146]
  金融取引では、ファクターモデルが資産の価格設定や過大なリターンの獲得に広く利用されている。 双対ベクトル量子化変分オートエンコーダを用いた時空間ファクトラーモデルSTORMを提案する。 ストームは時間的および空間的な視点からストックの特徴を抽出し、これらの特徴を微細で意味的なレベルで融合し整列させ、その要素を多次元の埋め込みとして表現する。
  論文  参考訳（メタデータ） (2024-12-12T17:15:49Z)
• MCI-GRU: Stock Prediction Model Based on Multi-Head Cross-Attention and Improved GRU [29.760324699979417]
  本稿では,多頭部クロスアテンション機構と改良型GRUに基づくストック予測モデルMCI-GRUを提案する。 4つの主要株式市場での実験では、提案手法は複数の指標でSOTA技術を上回っている。
  論文  参考訳（メタデータ） (2024-09-25T14:37:49Z)
• Market-GAN: Adding Control to Financial Market Data Generation with Semantic Context [23.773217528211905]
  現在の財務データセットにはコンテキストラベルは含まれていない。 現在の技術は、文脈を制御として財務データを生成するように設計されていない。 Market-GANは、制御可能な生成をコンテキストで行うためにGAN(Generative Adversarial Networks)を組み込んだ新しいアーキテクチャである。
  論文  参考訳（メタデータ） (2023-09-14T13:42:27Z)
• REST: Relational Event-driven Stock Trend Forecasting [76.08435590771357]
  既存の手法の欠点に対処するために,rest(relational event-driven stock trend forecasting)フレームワークを提案する。 第1の欠点を是正するため,我々は,株価の文脈をモデル化し,異なる状況下での株価に対する事象情報の影響を学ぶことを提案する。 第2の欠点に対処するために,ストックグラフを構築し,関連する株からイベント情報の影響を伝達する新しい伝播層を設計する。
  論文  参考訳（メタデータ） (2021-02-15T07:22:09Z)
• Gaussian process imputation of multiple financial series [71.08576457371433]
  金融指標、株価、為替レートなどの複数の時系列は、市場が潜んでいる状態に依存しているため、強く結びついている。 金融時系列間の関係を多出力ガウスプロセスでモデル化することで学習することに注力する。
  論文  参考訳（メタデータ） (2020-02-11T19:18:18Z)

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。