論文の概要: SHARP: A Self-Evolving Human-Auditable Rubric Policy for Financial Trading Agents

• arxiv url: http://arxiv.org/abs/2605.06822v1
• Date: Thu, 07 May 2026 18:23:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.540474
• Title: SHARP: A Self-Evolving Human-Auditable Rubric Policy for Financial Trading Agents
• Title（参考訳）: SHARP : 金融取引業者のための自己発展型人間監査型ルーブリック政策
• Authors: Xiwen Chen, Wenhui Zhu, Songzhu Zheng, Kashif Rasul, Yueyue Deng, Huayu Li,
• Abstract要約: 大規模言語モデル(LLM)は、自律的な金融取引のためにますます多くデプロイされている。 我々は,制約のないテキストの突然変異を構造的,象徴的なポリシー最適化に置き換える,神経象徴的な枠組みである自己進化型ヒューマン・アディタブル・ポリシー(SHARP)を導入する。
• 参考スコア（独自算出の注目度）: 11.616028403813031
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) are increasingly deployed for autonomous financial trading, a domain requiring continuous adaptation to noisy, non-stationary markets. Existing self-improving agents typically address this through unbounded free-form prompt optimization. However, in low signal-to-noise environments with delayed scalar rewards (P\&L), this unstructured approach exacerbates the fundamental credit assignment problem: optimizers cannot reliably distinguish systematic logic flaws from stochastic market variance, inevitably leading to policy drift. To overcome this bottleneck, we introduce the Self-Evolving Human-Auditable Rubric Policy (SHARP), a neuro-symbolic framework that replaces unconstrained text mutation with structured, symbolic policy optimization. SHARP confines the agent's reasoning to a bounded, human-readable rubric of explicit condition-action rules. When sub-optimal trades occur, an attribution agent employs cross-sample reasoning across multiple samples to isolate specific rule failures. This enables targeted, atomic policy edits that are subsequently regularized through strict walk-forward validation. Evaluated across three diverse equity sectors and four LLM backbones, SHARP consistently transforms generic initial heuristics into highly robust strategies, lifting the empirical performance of compact models by 10 to 20 percentage points on average (e.g., GPT-4o-mini). Ultimately, SHARP demonstrates that LLMs can achieve dynamic and efficient adaptation while significantly enhancing the structural transparency and auditability demanded by institutional finance.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、ノイズの多い非定常市場への継続的な適応を必要とする領域である、自律的な金融取引のためにますます多くデプロイされている。 既存の自己改善エージェントは、通常は非有界な自由形式のプロンプト最適化を通じてこの問題に対処する。 しかしながら、遅延スカラー報酬(P\&L)を持つ低信号対雑音環境において、この非構造的アプローチは基本的な信用割当問題を悪化させる。 このボトルネックを克服するために、制約のないテキストの突然変異を構造化された象徴的なポリシー最適化に置き換える、神経象徴的なフレームワークである、自己進化型人文ルーブリックポリシー(SHARP)を導入する。 SHARPは、エージェントの推論を明示的な条件-作用規則の有界で可読なルーリックに限定する。 準最適取引が発生した場合、帰属剤は、特定のルール障害を分離するために、複数のサンプルをまたいだクロスサンプル推論を用いる。 これにより、厳格なウォークフォワード検証によって規則化されたターゲットとなるアトミックポリシー編集が可能になる。 3つの多様なエクイティセクターと4つのLPMバックボーンで評価され、SHARPは一般的な初期ヒューリスティックを高度に堅牢な戦略に変貌させ、コンパクトモデルの実証性能を平均10～20ポイント引き上げる(例:GPT-4o-mini)。 最終的に、SHARPはLLMが動的かつ効率的な適応を達成できることを示し、機関財政が要求する構造的透明性と監査性を大幅に向上させる。

関連論文リスト

• Robust Regularized Policy Iteration under Transition Uncertainty [6.7431287237221085]
  我々は、オフラインRLをロバストなポリシー最適化として定式化し、遷移カーネルを不確実性集合内の決定変数として扱う。 本稿では、抽出可能な最大最小二レベル目標を、抽出可能なKL正規化サロゲートに置き換えるロバスト正規化ポリシーイテレーション(RRPI)を提案する。 D4RLベンチマークの実験では、RRPIは高い平均性能を示し、最近のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-03-10T08:18:27Z)
• Improving Search Agent with One Line of Code [68.58667107354253]
  ツールベースのエージェント強化学習(TARL)は,検索エージェントが外部ツールと対話できるようにトレーニングするための,有望なパラダイムとして登場した。 textbfSearch textbfAgent textbfPolicy textbfOptimization (textbfSAPO)を提案する。
  論文  参考訳（メタデータ） (2026-03-10T04:07:39Z)
• Socially-Weighted Alignment: A Game-Theoretic Framework for Multi-Agent LLM Systems [17.658093330392052]
  本稿では,エージェントの個人目的と集団福祉の推定を補間することにより,推論時間決定の修正を行うゲーム理論フレームワークを提案する。 以上の結果から, SWAは, 過負荷下での需要増加のために, エージェントがもはや限界的なインセンティブを持たない, 臨界しきい値$*=(n-)/(n-1)$を誘導することを示した。
  論文  参考訳（メタデータ） (2026-02-16T05:17:58Z)
• Rethinking the Trust Region in LLM Reinforcement Learning [72.25890308541334]
  PPO(Proximal Policy Optimization)は、大規模言語モデル(LLM)のデファクト標準アルゴリズムとして機能する。 より原則的な制約でクリッピングを代用する多変量確率ポリシー最適化(DPPO)を提案する。 DPPOは既存の方法よりも優れたトレーニングと効率を実現し、RLベースの微調整のためのより堅牢な基盤を提供する。
  論文  参考訳（メタデータ） (2026-02-04T18:59:04Z)
• MAESTRO: Meta-learning Adaptive Estimation of Scalarization Trade-offs for Reward Optimization [56.074760766965085]
  大規模言語モデル(LLM)の整合性のための効率的なパラダイムとしてグループ相対政策最適化が登場している。 我々は,報酬スカラー化を動的潜在ポリシーとして扱い,モデルの終端隠蔽状態を意味的ボトルネックとして活用するMAESTROを提案する。 本稿では,軽量コンダクタネットワークがメタリワード信号としてグループ相対的優位性を生かしてポリシと共進化する,双方向最適化フレームワークにおけるコンテキスト的帯域幅問題としてこれを定式化する。
  論文  参考訳（メタデータ） (2026-01-12T05:02:48Z)
• Ratio-Variance Regularized Policy Optimization for Efficient LLM Fine-tuning [48.34492357368989]
  本稿では,安定なオン・ポリティクス学習をサポートし,オフ・ポリティクスデータの再利用を原則とするプリミティブ・デュアル・フレームワークを提案する。 R2VPO$は、強いクリッピングベースのベースラインよりも17%の平均的な相対的なゲインで優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-01-06T14:01:42Z)
• Soft Adaptive Policy Optimization [67.61886077470528]
  強化学習は、大規模言語モデルの推論能力を高める上で、ますます重要な役割を担っている。 GSPOやGRPOのような既存のグループベースのポリシー最適化手法は、ハードクリッピングによってこの問題を軽減する。 ハードクリッピングをスムーズな温度制御ゲートに置き換えるソフト適応ポリシー最適化(SAPO)を提案する。
  論文  参考訳（メタデータ） (2025-11-25T14:25:19Z)
• 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)
• Robust Offline Reinforcement Learning with Linearly Structured f-Divergence Regularization [11.739526562075339]
  ロバスト正規化マルコフ決定過程 (RRMDP) は、値関数の遷移力学に正規化を加えることで、ダイナミクスシフトに頑健なポリシーを学ぶために提案される。 本稿では,リニア関数近似を用いたロバスト正規化ペシミスティック値反復法 (R2PVI) アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-11-27T18:57:03Z)

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。