論文の概要: Designing Agentic AI-Based Screening for Portfolio Investment
- arxiv url: http://arxiv.org/abs/2603.23300v1
- Date: Tue, 24 Mar 2026 15:03:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-25 19:53:37.549012
- Title: Designing Agentic AI-Based Screening for Portfolio Investment
- Title（参考訳）: ポートフォリオ投資のためのエージェントAIベースのスクリーニングの設計
- Authors: Mehmet Caner, Agostino Capponi, Nathan Sun, Jonathan Y. Tan,
- Abstract要約: ポートフォリオ管理のための新しいエージェント人工知能(AI)プラットフォームを導入する。
まず、2つの大きな言語モデル(LLM)エージェントが割り当てられた特別なタスクである。
第2に、これらのエージェントは、大規模なポートフォリオからの信号の売買と購入に意図的に同意し、候補資産のプールを著しく狭める。
- 参考スコア（独自算出の注目度）: 1.7499351967216341
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce a new agentic artificial intelligence (AI) platform for portfolio management. Our architecture consists of three layers. First, two large language model (LLM) agents are assigned specialized tasks: one agent screens for firms with desirable fundamentals, while a sentiment analysis agent screens for firms with desirable news. Second, these agents deliberate to generate and agree upon buy and sell signals from a large portfolio, substantially narrowing the pool of candidate assets. Finally, we apply a high-dimensional precision matrix estimation procedure to determine optimal portfolio weights. A defining theoretical feature of our framework is that the number of assets in the portfolio is itself a random variable, realized through the screening process. We introduce the concept of sensible screening and establish that, under mild screening errors, the squared Sharpe ratio of the screened portfolio consistently estimates its target. Empirically, our method achieves superior Sharpe ratios relative to an unscreened baseline portfolio and to conventional screening approaches, evaluated on S&P 500 data over the period 2020--2024.
- Abstract（参考訳）: ポートフォリオ管理のための新しいエージェント人工知能(AI)プラットフォームを導入する。
私たちのアーキテクチャは3つのレイヤで構成されています。
まず、2つの大きな言語モデル(LLM)エージェントに、望ましい基礎を持つ企業のためのエージェントスクリーンと、望ましいニュースを持つ企業のための感情分析エージェントスクリーンを割り当てる。
第2に、これらのエージェントは、大規模なポートフォリオからの信号の売買と購入に意図的に同意し、候補資産のプールを著しく狭める。
最後に, 最適ポートフォリオ重み決定に高精度行列推定法を適用した。
私たちのフレームワークの明確な理論的特徴は、ポートフォリオ内の資産の数が、スクリーニングプロセスを通じて実現されるランダムな変数であることです。
そこで本研究では, 適度なスクリーニングの概念を導入し, 軽度なスクリーニング誤差の下では, 遮蔽ポートフォリオの正方形シャープ比が常に目標を推定していることを示す。
提案手法は,2020～2024年の間にS&P 500データを用いて,非スクリーニングベースラインポートフォリオと従来のスクリーニング手法と比較して,シャープ比が優れていることを実証的に評価した。
関連論文リスト
- Breaking User-Centric Agency: A Tri-Party Framework for Agent-Based Recommendation [59.362016745945375]
第1回LLM-Adnt Recommendation framework(TriRec)を提案する。
TriRecは、ユーザユーティリティ、アイテム露出、プラットフォームレベルの公正性を明示的に調整する。
精度、公平性、およびアイテムレベルのユーティリティにおいて、一貫した利得を示す。
論文 参考訳（メタデータ） (2026-03-11T11:40:13Z) - CryptoBench: A Dynamic Benchmark for Expert-Level Evaluation of LLM Agents in Cryptocurrency [60.83660377169452]
本稿では,Large Language Model (LLM)エージェントの現実的能力を厳格に評価するために設計された,最初の専門家による動的ベンチマークであるCryptoBenchを紹介する。
検索と予測のための汎用エージェントベンチマークとは異なり、プロの暗号分析は特定の課題を提示する。
論文 参考訳（メタデータ） (2025-11-29T09:52:34Z) - Hierarchical AI Multi-Agent Fundamental Investing: Evidence from China's A-Share Market [8.11097322686573]
我々は、マクロ指標、業界レベル、企業固有の情報を統合し、最適化された株式ポートフォリオを構築する、基本的な投資のためのマルチエージェントAI駆動フレームワークを提案する。
中国A株市場のCSI300指数による構成成分のシステム評価を行い、標準ベンチマークを一貫して上回る結果となった。
論文 参考訳（メタデータ） (2025-10-24T04:38:37Z) - 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) - From Headlines to Holdings: Deep Learning for Smarter Portfolio Decisions [4.288926547930663]
ディープラーニングを用いてポートフォリオの重みを学習するエンドツーエンドフレームワークを提案する。
我々は、セクターの多様性とニュース報道のバランスをとるために選ばれた6つのセクターにまたがる9つの米国株の枠組みを評価する。
株式の世界は限られているが、結果はポートフォリオ管理のための価格、リレーショナル、感情信号の統合の価値を浮き彫りにしている。
論文 参考訳（メタデータ） (2025-09-29T00:42:24Z) - FinAgentBench: A Benchmark Dataset for Agentic Retrieval in Financial Question Answering [57.18367828883773]
FinAgentBenchは、ファイナンスにおける多段階推論によるエージェント検索を評価するためのベンチマークである。
このベンチマークは、S&P-500上場企業に関する26Kのエキスパートアノテート例から成っている。
我々は,最先端モデルの集合を評価し,対象の微調整がエージェント検索性能を大幅に向上することを示す。
論文 参考訳（メタデータ） (2025-08-07T22:15:22Z) - Building crypto portfolios with agentic AI [46.348283638884425]
暗号通貨市場の急速な成長は投資家に新たな機会を与えたが、同時に高いボラティリティがもたらされた。
本稿では,暗号アロケーションを自律的に構築し,評価するためのマルチエージェントシステムの実用化について述べる。
論文 参考訳（メタデータ） (2025-07-11T18:03:51Z) - 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) - Developing An Attention-Based Ensemble Learning Framework for Financial Portfolio Optimisation [0.0]
本稿では,アテンション機構や時系列,すなわちMASAATと統合されたマルチエージェントで自己適応的なポートフォリオ最適化フレームワークを提案する。
時系列で財務データのトークンを再構築することにより、各エージェントの注意ベースの横断分析モジュールと時間分析モジュールは、資産と時間点間の依存関係との相関を効果的に捉えることができる。
実験により、MASAATフレームワークは、よく知られたポートフォリオ最適化アプローチと比較して、印象的な拡張を実現していることが明らかとなった。
論文 参考訳（メタデータ） (2024-04-13T09:10:05Z) - Deep Learning for Portfolio Optimization [5.833272638548154]
個々の資産を選択する代わりに、ポートフォリオを形成するために市場指標のETF(Exchange-Traded Funds)を交換します。
我々は,本手法を広範囲のアルゴリズムと比較し,本モデルがテスト期間中に最高の性能を得ることを示す。
論文 参考訳（メタデータ） (2020-05-27T21:28:43Z)
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。