論文の概要: Toward Expert Investment Teams:A Multi-Agent LLM System with Fine-Grained Trading Tasks
- arxiv url: http://arxiv.org/abs/2602.23330v1
- Date: Thu, 26 Feb 2026 18:37:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-27 18:41:22.849184
- Title: Toward Expert Investment Teams:A Multi-Agent LLM System with Fine-Grained Trading Tasks
- Title（参考訳）: エキスパート投資チームに向けて:細粒度取引タスクを用いた多エージェントLLMシステム
- Authors: Kunihiro Miyazaki, Takanobu Kawahara, Stephen Roberts, Stefan Zohren,
- Abstract要約: 投資分析を細かなタスクに分解するマルチエージェント取引フレームワークを提案する。
実験結果から,細粒度タスクの分解はリスク調整されたリターンを著しく改善することが示された。
我々は,ストックインデックスと各システムの出力のばらつきとの相関を低くして,優れた性能を実現する。
- 参考スコア（独自算出の注目度）: 6.55184070677326
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The advancement of large language models (LLMs) has accelerated the development of autonomous financial trading systems. While mainstream approaches deploy multi-agent systems mimicking analyst and manager roles, they often rely on abstract instructions that overlook the intricacies of real-world workflows, which can lead to degraded inference performance and less transparent decision-making. Therefore, we propose a multi-agent LLM trading framework that explicitly decomposes investment analysis into fine-grained tasks, rather than providing coarse-grained instructions. We evaluate the proposed framework using Japanese stock data, including prices, financial statements, news, and macro information, under a leakage-controlled backtesting setting. Experimental results show that fine-grained task decomposition significantly improves risk-adjusted returns compared to conventional coarse-grained designs. Crucially, further analysis of intermediate agent outputs suggests that alignment between analytical outputs and downstream decision preferences is a critical driver of system performance. Moreover, we conduct standard portfolio optimization, exploiting low correlation with the stock index and the variance of each system's output. This approach achieves superior performance. These findings contribute to the design of agent structure and task configuration when applying LLM agents to trading systems in practical settings.
- Abstract（参考訳）: 大規模言語モデル(LLM)の進歩は、自律的な金融取引システムの開発を加速させてきた。
主流のアプローチは、アナリストやマネージャの役割を模倣するマルチエージェントシステムをデプロイするが、現実のワークフローの複雑さを無視する抽象的な指示に頼ることが多い。
そこで本稿では,投資分析を細かなタスクに明示的に分解するマルチエージェントLLMトレーディングフレームワークを提案する。
筆者らは, 価格, 財務諸表, ニュース, マクロ情報などを含む日本の株価データを用いて, 漏洩制御されたバックテスト環境下で, 提案手法の評価を行った。
実験結果から, 細粒度タスクの分解は, 従来の粗粒度設計と比較して, リスク調整されたリターンを著しく改善することがわかった。
重要な点として、中間エージェント出力のさらなる分析は、解析的出力と下流決定優先との整合がシステム性能の重要な要因であることを示している。
さらに,標準ポートフォリオ最適化を行い,ストックインデックスとの相関が低く,各システムの出力のばらつきを生かした。
このアプローチは優れたパフォーマンスを実現する。
これらの知見は, LLM エージェントを取引システムに適用する際のエージェント構造とタスク構成の設計に寄与する。
関連論文リスト
- Refer-Agent: A Collaborative Multi-Agent System with Reasoning and Reflection for Referring Video Object Segmentation [50.22481337087162]
Referring Video Object (RVOS) は、テキストクエリに基づくビデオ内のオブジェクトのセグメンテーションを目的としている。
Refer-Agent (Refer-Agent) は、共用多エージェントシステムである。
論文 参考訳（メタデータ） (2026-02-03T14:48:12Z) - MAS-ProVe: Understanding the Process Verification of Multi-Agent Systems [59.20800753428596]
マルチエージェントシステム(MAS)におけるプロセス検証の系統的研究であるMAS-ProVeを提案する。
本研究は3つの検証パラダイム(LLM-as-a-Judge、報酬モデル、プロセス報酬モデル)にまたがる。
プロセスレベルの検証は、常に性能を改善しておらず、しばしば高いばらつきを示す。
論文 参考訳（メタデータ） (2026-02-03T03:30:36Z) - AgentPRM: Process Reward Models for LLM Agents via Step-Wise Promise and Progress [71.02263260394261]
大規模言語モデル(LLM)は、マルチターン意思決定タスクにおいて依然として課題に直面している。
プロセス報酬モデル(PRM)を構築し、各意思決定を評価し、エージェントの意思決定プロセスを導く。
AgentPRMは、シーケンシャルな決定と最終的な目標への貢献の間の相互依存の両方をキャプチャする。
論文 参考訳（メタデータ） (2025-11-11T14:57:54Z) - 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) - MASCA: LLM based-Multi Agents System for Credit Assessment [0.3277163122167434]
実世界の意思決定プロセスのミラー化による信用評価向上を目的とした,LLM駆動型マルチエージェントシステムMASCAを紹介する。
また,階層型マルチエージェントシステムにおけるシグナリングゲーム理論の視点を示し,その構造と相互作用に関する理論的洞察を提供する。
論文 参考訳（メタデータ） (2025-07-30T15:19:38Z) - Agentic Reinforced Policy Optimization [66.96989268893932]
検証可能な報酬付き大規模強化学習(RLVR)は,大規模言語モデル(LLM)を単一ターン推論タスクに活用する効果を実証している。
現在のRLアルゴリズムは、モデル固有のロングホライゾン推論能力と、マルチターンツールインタラクションにおけるその習熟性のバランスが不十分である。
エージェント強化ポリシー最適化(ARPO: Agentic Reinforced Policy Optimization)は,マルチターンLDMエージェントを学習するためのエージェントRLアルゴリズムである。
論文 参考訳（メタデータ） (2025-07-26T07:53:11Z) - MASS: Muli-agent simulation scaling for portfolio construction [17.363056358369143]
本稿では,マルチエージェント・スケーリング・シミュレーション(MASS)を紹介する。
MASSの中核は、不均一なエージェントの最適分布を動的に学習するために、後方最適化プロセスを採用する。
エージェントの数が指数関数的に増加するにつれて(最大512まで)、集約された決定は徐々に過剰なリターンを増大させる。
論文 参考訳（メタデータ） (2025-05-15T13:27:18Z) - Towards more Contextual Agents: An extractor-Generator Optimization Framework [0.0]
LLM(Large Language Model)ベースのエージェントは、幅広い汎用アプリケーションにわたる複雑なタスクの解決に顕著な成功を収めている。
しかしながら、それらのパフォーマンスは、専門産業や研究領域のようなコンテキスト固有のシナリオで劣化することが多い。
この課題に対処するため,本研究では,LLMエージェントの文脈適応性を高めるための体系的アプローチを提案する。
論文 参考訳（メタデータ） (2025-02-18T15:07:06Z) - TradingAgents: Multi-Agents LLM Financial Trading Framework [4.293484524693143]
TradingAgentsは、トレーディング会社にインスパイアされた新しい株式トレーディングフレームワークを提案する。
基本的なアナリスト、センチメントアナリスト、テクニカルアナリスト、さまざまなリスクプロファイルを持つトレーダーといった専門的な役割でLLMを動力とするエージェントが特徴である。
動的で協調的なトレーディング環境をシミュレートすることで、このフレームワークはトレーディングのパフォーマンスを改善することを目指している。
論文 参考訳（メタデータ） (2024-12-28T12:54:06Z)
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。