論文の概要: Signal or Noise in Multi-Agent LLM-based Stock Recommendations?

• arxiv url: http://arxiv.org/abs/2604.17327v1
• Date: Sun, 19 Apr 2026 08:43:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.46775
• Title: Signal or Noise in Multi-Agent LLM-based Stock Recommendations?
• Title（参考訳）: マルチエージェント LLM ストックレコメンデーションの信号かノイズか?
• Authors: George Fatouros, Kostas Metaxas,
• Abstract要約: 本稿では,デプロイされたマルチエージェントLLM株式システムであるMarketSenseAIのポートフォリオレベルの検証について紹介する。 このシステムは、4人のスペシャリストを1人のエージェントに誘導し、月々の株式に関する論文を発行し、そのカバー宇宙における各株式の合成を行う。 購入勧告は受動的ベンチマークとランダム選択の両方に価値を加え、内部エージェント構造はエッジのソースについて何を明らかにするのか?
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We present the first portfolio-level validation of MarketSenseAI, a deployed multi-agent LLM equity system. All signals are generated live at each observation date, eliminating look-ahead bias. The system routes four specialist agents (News, Fundamentals, Dynamics, and Macro) through a synthesis agent that issues a monthly equity thesis and recommendation for each stock in its coverage universe, and we ask two questions: do its buy recommendations add value over both passive benchmarks and random selection, and what does the internal agent structure reveal about the source of the edge? On the S&P 500 cohort (19 months) the strong-buy equal-weight portfolio earns +2.18%/month against a passive equal-weight benchmark of +1.15% (approximating RSP), a +25.2% compound excess, and ranks at the 99.7th percentile of 10,000 Monte Carlo portfolios (p=0.003). The S&P 100 cohort (35 months) delivers a +30.5% compound excess over EQWL with consistent direction but formal significance not reached, limited by the small average selection of ~10 stocks per month. Non-negative least-squares projection of thesis embeddings onto agent embeddings reveals an adaptive-integration mechanism. Agent contributions rotate with market regime (Fundamentals leads on S&P 500, Macro on S&P 100, Dynamics acts as an episodic momentum signal) and this agent rotation moves in lockstep with both the sector composition of strong-buy selections and identifiable macro-calendar events, three independent views of the same underlying adaptation. The recommendation's cross-sectional Information Coefficient is statistically significant on S&P 500 (ICIR=+0.489, p=0.024). These results suggest that multi-agent LLM equity systems can identify sources of alpha beyond what classical factor models capture, and that the buy signal functions as an effective universe-filter that can sit upstream of any portfolio-construction process.
• Abstract（参考訳）: 本稿では,デプロイされたマルチエージェントLLM株式システムであるMarketSenseAIのポートフォリオレベルの検証について紹介する。 すべての信号は各観測日にライブで生成され、ルックアヘッドバイアスがなくなる。 このシステムは、4つの専門エージェント(News, Fundamentals, Dynamics, and Macro)を合成エージェントにルーティングし、各株式に対する毎月の株式論文とレコメンデーションを発行し、その購入勧告は受動的ベンチマークとランダムセレクションの両方に価値を加え、内部エージェント構造はエッジのソースについて何を明らかにするのか、という2つの質問を行う。 S&P 500のコホート(19ヶ月)では、強いバイの平等なポートフォリオは、+1.15%(RSP)の受動的平等なベンチマーク(p=0.003)に対して2.18%/月、25.2%の複合超過、99.7%のモンテカルロのポートフォリオ(p=0.003)にランクインしている。 S&P 100コホート(35ヶ月)は、EQWLに一貫した方向で+30.5%の過剰な化合物を供給しているが、形式的な重要性は得られず、月間平均10株程度という小さな選択によって制限されている。 エージェント埋め込みへのテーゼ埋め込みの非負の最小二乗射影は適応積分機構を明らかにする。 エージェントコントリビューションは市場レギュレーションとともに回転する(Fundamentals led on S&P 500, Macro on S&P 100, Dynamics act as a episodic momentum signal)。 S&P 500(ICIR=+0.489, p=0.024)では、レコメンデーションの断面積情報係数が統計的に有意である。 これらの結果は、マルチエージェントLPMエクイティシステムは、古典的因子モデルが捉える以上のアルファ源を特定でき、購入信号は、ポートフォリオ構築プロセスの上流に置かれる効果的な宇宙フィルタとして機能することを示唆している。

関連論文リスト

• Designing Agentic AI-Based Screening for Portfolio Investment [1.7499351967216341]
  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。
  論文  参考訳（メタデータ） (2026-03-24T15:03:40Z)
• Learning to Aggregate Zero-Shot LLM Agents for Corporate Disclosure Classification [0.0]
  本稿では,軽量訓練アグリゲータが多種多様なゼロショット大言語モデル判断を,より強力な下流信号に組み合わせてコーポレート開示分類を行うことができるかどうかを考察する。 2018年から2024年にかけて、ナスダックとS&P500社が発行した18,420件の米企業情報開示のサンプルを、翌日の株価リターンと一致させました。 その結果、トレーニングされたアグリゲータは、すべてのシングルエージェント、多数決、信頼度の高い投票、およびFinBERTベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-03-21T22:29:19Z)
• Towards a Science of Scaling Agent Systems [79.64446272302287]
  エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。 協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。 ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
  論文  参考訳（メタデータ） (2025-12-09T06:52:21Z)
• Statistical Arbitrage in Polish Equities Market Using Deep Learning Techniques [0.0]
  我々は,一般的な統計アービタージュ手法であるペアズ・トレーディング(Pairs Trading)の体系的アプローチについて検討した。 第2の資産をリスクファクター表現を使用した第1の複製に置き換える。 Avellaneda と Lee (2008) の枠組みをポーランド市場に適用する。
  論文  参考訳（メタデータ） (2025-11-20T21:09:34Z)
• Squeeze the Soaked Sponge: Efficient Off-policy Reinforcement Finetuning for Large Language Model [56.92219181993453]
  本稿では,PPOやGRPOなどのオンラインRFT手法をオフ・ポリティクスデータに活用するために,Reincarnating Mix-policy Proximal Policy Gradient (ReMix)を提案する。 ReMix は,(1) 効率的なトレーニングのための更新データ(UTD)比が増大した混成政策勾配,(2) 安定性と柔軟性のトレードオフのバランスをとるためのKL-Convex 政策制約,(3) 効率的な早期学習から安定した改善へのシームレスな移行を実現するための政策再編成の3つの主要な構成要素から構成される。
  論文  参考訳（メタデータ） (2025-07-09T14:29:45Z)
• From Debate to Equilibrium: Belief-Driven Multi-Agent LLM Reasoning via Bayesian Nash Equilibrium [52.28048367430481]
  マルチエージェントフレームワークは、大規模言語モデル(LLM)の推論能力を高めることができるが、通常は計算コストと収束保証が欠如している。 我々は、不完全情報ゲームとしてマルチLLMコーディネーションをリキャストし、ベイズナッシュ均衡(BNE)を求める。 我々は、分散推論と集中的な最終出力を結合する階層的強化学習パラダイムである、Nash Equilibrium (ECON)による効率的なコーディネーションを導入する。
  論文  参考訳（メタデータ） (2025-06-09T23:49:14Z)
• Benchmarking Post-Training Quantization in LLMs: Comprehensive Taxonomy, Unified Evaluation, and Comparative Analysis [89.60263788590893]
  後学習量子化(PTQ)技術は大規模言語モデル(LLM)圧縮に広く採用されている。 既存のアルゴリズムは主にパフォーマンスに重点を置いており、モデルサイズ、パフォーマンス、量子化ビット幅間のトレードオフを見越している。 本稿では LLM PTQ のための新しいベンチマークを提案する。
  論文  参考訳（メタデータ） (2025-02-18T07:35:35Z)
• Automate Strategy Finding with LLM in Quant Investment [32.74265532529821]
  本稿では,大規模言語モデル(LLM)をリスク認識型マルチエージェントシステム内で活用し,定量的ファイナンスにおける戦略発見を自動化する新しい3段階フレームワークを提案する。 本手法は,金融分野における従来のディープラーニングモデルの脆さに対処するものである。 実験結果は、確立されたベンチマークと比較して、中国とアメリカの市場体制における戦略の堅牢な性能を示している。
  論文  参考訳（メタデータ） (2024-09-10T07:42:28Z)

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。