論文の概要: AlphaCrafter: A Full-Stack Multi-Agent Framework for Cross-Sectional Quantitative Trading

• arxiv url: http://arxiv.org/abs/2605.05580v1
• Date: Thu, 07 May 2026 01:58:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.481182
• Title: AlphaCrafter: A Full-Stack Multi-Agent Framework for Cross-Sectional Quantitative Trading
• Title（参考訳）: AlphaCrafter: クロスセクションの定量取引のためのフルスタックマルチエージェントフレームワーク
• Authors: Yishuo Yuan, Jiayi Sheng, Sirui Zeng, Jiaqi Wang, Jiaheng Liu,
• Abstract要約: 収益性を維持する定量的戦略を構築するには、ファクター発見、システマティブ・アダプティブ・セレクション、リスク制約のある実行の継続的な結合が必要である。 AlphaCrafterはフルスタックのマルチエージェントフレームワークで、継続的適応型ファクター・ツー・エグゼクティブパイプラインを通じてこのギャップを埋めます。 CSI 300とS&P 500の実験では、AlphaCrafterはリスク調整リターンにおいて、最先端のベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 26.48283300875701
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Financial markets are inherently non-stationary, driven by complex interactions among macroeconomic regimes, microstructural frictions, and behavioral dynamics. Building quantitative strategies that remain profitable demands the continuous coupling of factor discovery, regime-adaptive selection, and risk-constrained execution. Prevailing approaches, however, optimize these components under static or isolated assumptions. Factor mining frameworks typically treat alpha discovery as a one-time search process, implicitly assuming that factor efficacy persists across market regimes. Execution-oriented systems often adopt role-playing agent architectures that simulate anthropomorphic trading committees, introducing behavioral noise rather than systematic rationality. Consequently, a fully automated, rationality-driven framework unifying a coherent quantitative pipeline remains absent. We introduce AlphaCrafter, a full-stack multi-agent framework that closes this gap through a continuously adaptive factor-to-execution pipeline, designed to track and respond to evolving market conditions without manual intervention. AlphaCrafter operates via three specialized agents: a Miner that continuously expands the factor pool via LLM-guided search, a Screener that assesses prevailing market conditions to construct regime-conditioned factor ensembles, and a Trader that translates these ensembles into quantitative strategies under explicit risk constraints. Together, these three agents form a closed-loop cross-sectional trading system that adapts holistically to evolving market dynamics. Extensive experiments on CSI 300 and S&P 500 demonstrate that AlphaCrafter consistently outperforms state-of-the-art baselines in risk-adjusted returns while exhibiting the lowest cross-trial variance, confirming that integrated and adaptive factor-to-execution design yields robust trading performance.
• Abstract（参考訳）: 金融市場は本質的に非定常的であり、マクロ経済体制間の複雑な相互作用、ミクロ構造的摩擦、行動力学によって引き起こされる。 収益性を維持する定量的戦略を構築するには、ファクター発見、システマティブ・アダプティブ・セレクション、リスク制約のある実行の継続的な結合が必要である。 しかし、一般的なアプローチでは、静的または孤立した仮定の下でこれらのコンポーネントを最適化する。 ファクターマイニングフレームワークは通常、アルファ発見を1回限りの検索プロセスとして扱う。 実行指向のシステムは、しばしば人為的な取引委員会をシミュレートするロールプレイングエージェントアーキテクチャを採用し、体系的な合理性よりも行動ノイズを導入する。 その結果、コヒーレントな量的パイプラインを統一する完全に自動化された合理性駆動のフレームワークはいまだに存在しない。 我々はAlphaCrafterというフルスタックのマルチエージェントフレームワークを紹介します。これは継続的適応型ファクター・ツー・エグゼクティブパイプラインを通じてこのギャップを埋めます。 AlphaCrafterは、LLM誘導検索を通じてファクタプールを継続的に拡張するMiner、規制条件付きファクタアンサンブルを構築するための一般的な市場条件を評価するScreener、これらのアンサンブルを明示的なリスク制約の下で定量的戦略に変換するTraderという3つの特殊なエージェントを介して運用する。 これら3つのエージェントはクローズドループの断面積取引システムを形成し、市場ダイナミクスの進化に直感的に適応する。 CSI 300 と S&P 500 の大規模な実験により、AlphaCrafter はリスク調整されたリターンの最先端のベースラインを一貫して上回り、最低限の国際的差異を示し、統合的かつ適応的ファクター・ツー・エグゼクティブ設計が堅牢なトレーディング性能をもたらすことを確認した。

関連論文リスト

• DeepRule: An Integrated Framework for Automated Business Rule Generation via Deep Predictive Modeling and Hybrid Search Optimization [12.68443002994035]
  DeepRuleは小売アソシエーションと価格最適化におけるビジネスルールの自動生成のための統合フレームワークである。 我々は,大規模言語モデル(LLM)を用いたハイブリッド知識融合エンジンを設計し,非構造化テキストの深い意味解析を行う。 実店舗環境において,運用可能性を確保しつつ,系統的B2Cベースラインよりも高い利益率を達成するための枠組みを検証した。
  論文  参考訳（メタデータ） (2025-12-03T09:40:33Z)
• 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)
• 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)
• Learn to Rank Risky Investors: A Case Study of Predicting Retail Traders' Behaviour and Profitability [3.731289189298451]
  本稿では、リスクトレーダーをランク付けタスクとして識別する問題を再編成するリスクランク付け手法(PA-RiskRanker)を提案する。 提案手法は,Profit-Aware binary cross entropy (PA-BCE) 損失関数と,セルフクロストレーダアテンションパイプラインで拡張されたトランスフォーマーベースのロータを備える。 本研究は,貿易リスク管理における既存の深層学習に基づくLETORアルゴリズムの限界について批判的に検討する。
  論文  参考訳（メタデータ） (2025-09-20T10:41:13Z)
• MARS: A Meta-Adaptive Reinforcement Learning Framework for Risk-Aware Multi-Agent Portfolio Management [7.740995234462868]
  強化 学習は、自動ポートフォリオ管理において大きな可能性を秘めている。 リスク認識システム(MARS)のためのメタ制御エージェントを提案する。 MARSは異種エージェントアンサンブルを使用しており、各エージェントは固有の固有のリスクプロファイルを持っている。
  論文  参考訳（メタデータ） (2025-08-02T03:23:41Z)
• Shifting Power: Leveraging LLMs to Simulate Human Aversion in ABMs of Bilateral Financial Exchanges, A bond market study [15.379345372327375]
  TRIBEは、大きな言語モデル(LLM)を付加したエージェントベースのモデルで、取引環境における人間のような意思決定をシミュレートする。 人為的な変動性の導入は、パワーダイナミクスをクライアントにシフトさせ、システム全体に不均等に影響を及ぼすことを示した。
  論文  参考訳（メタデータ） (2025-03-01T03:15:13Z)
• 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)
• REX: Rapid Exploration and eXploitation for AI Agents [103.68453326880456]
  本稿では、REXと呼ばれるAIエージェントのための高速探索およびeXploitationのための改良されたアプローチを提案する。 REXは追加の報酬層を導入し、アッパー信頼境界(UCB)スコアに似た概念を統合し、より堅牢で効率的なAIエージェントのパフォーマンスをもたらす。
  論文  参考訳（メタデータ） (2023-07-18T04:26:33Z)
• Toward Risk-based Optimistic Exploration for Cooperative Multi-Agent Reinforcement Learning [9.290757451344673]
  分布のサンプリング領域をシフトさせることにより協調的に楽観的な行動をもたらすリスクベースの探索を提案する。 本手法は, 量子レグレッションに基づく協調探索を必要とするマルチエージェント環境において, 顕著な性能を示す。
  論文  参考訳（メタデータ） (2023-03-03T08:17:57Z)

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。