Fugu-MT 論文翻訳(概要): Beyond Forecasting: The Belief-to-Trade Layer in Prediction-Market Agents

論文の概要: Beyond Forecasting: The Belief-to-Trade Layer in Prediction-Market Agents

arxiv url: http://arxiv.org/abs/2607.03015v1
Date: Fri, 03 Jul 2026 06:49:48 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-07 22:26:29.498168
Title: Beyond Forecasting: The Belief-to-Trade Layer in Prediction-Market Agents
Title（参考訳）: 予測を超越する:予測市場エージェントの信頼層
Abstract要約: 我々は、私たちの知る限り、予測市場のための最初の自律的取引代理店であるRaven-Agentを提案する。我々のアーキテクチャは、テストされたすべてのポリシーの中で唯一肯定的なリターンと、唯一肯定的なリスク調整されたリターンを達成する。
参考スコア（独自算出の注目度）: 6.594727504558221
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Forecasting future events has attracted growing attention as a testbed for general-purpose AI. A natural way to ground this evaluation is let the models trade in the prediction markets. Trading, however, requires more than forecasting. Moreover, recent benchmarks report a substantial gap between calibrated probability scores and the trading results. We propose Raven-Agent, to the best of our knowledge, the first autonomous trading agent for prediction markets. On a controlled replay over an archived decision set, our architecture achieves the only positive return and the only positive risk-adjusted return among all tested policies. We have released our code in https://github.com/Alchemist-X/predict-raven .
Abstract（参考訳）: 将来のイベントを予測することは、汎用AIのテストベッドとして注目を集めている。この評価の土台となる自然な方法は、予測市場でモデルを取引させることだ。しかし、取引には予測以上のものが必要だ。さらに、最近のベンチマークでは、キャリブレーションされた確率スコアとトレーディング結果の間にかなりのギャップがあることが報告されている。我々は、私たちの知る限り、予測市場のための最初の自律的取引代理店であるRaven-Agentを提案する。アーカイブされた決定セットに対する制御されたリプレイにおいて、我々のアーキテクチャは、テストされたすべてのポリシーの中で、唯一の正のリターンと唯一の正のリスク調整リターンを達成する。コードをhttps://github.com/Alchemist-X/predict-raven でリリースしました。

関連論文リスト

Repurposing Deep Limit Order Book Forecasting for Scenario-Conditioned Market Impact Modeling [49.590388401787834]
本稿では,機械的に有効な反事実メッセージの注入前後の予測者の予測分布を比較するモデルに依存しないフレームワークを提案する。トランスフォーマーをベースとした予測器は、スピアマンの相関関係を0.99と97.2%と、実現した歴史的成果との方向性の一致で、シナリオランキングを回復した。
論文参考訳（メタデータ） (2026-09-15T10:06:03Z)
Algometrics: Forecasting Under Algorithmic Feedback [0.0]
進化は予測アルゴリズムによって予測される時系列のフレームワークであるalgometricsを紹介します。この枠組みは、受動的予測の下で測定された歴史的リスクと、予測が行動を起こすときに測定されたデプロイメントリスクとを区別する。これらの結果から,アルゴリズム市場における時系列ベンチマークでは,予測精度とともにフィードバック感度を報告すべきであることが示唆された。
論文参考訳（メタデータ） (2026-05-13T20:05:54Z)
Forecasting Future Language: Context Design for Mention Markets [81.25011140991566]
我々は、参照市場における正確な予測を支援するために、入力コンテキストをどのように設計するかを検討する。 1 より豊かなコンテキストは予測性能を継続的に改善し、(2)市場条件付きプロンプト(MCP)は事前の市場確率を扱い、テキストによる証拠を用いてそれを更新し、より良いキャリブレーションの予測を得る、(3)市場確率とMCP(MixMCP)の混合が市場ベースラインを上回っている、という3つの洞察を得た。
論文参考訳（メタデータ） (2026-02-04T12:43:31Z)
PredictionMarketBench: A SWE-bench-Style Framework for Backtesting Trading Agents on Prediction Markets [0.0]
PredictionMarketBenchは、予測市場におけるアルゴリズムおよびLLMベースのトレーディングエージェントの評価のためのSWEベンチスタイルのベンチマークである。 PredictionMarketBenchは、(i)生の交換ストリーム(注文帳、取引、ライフサイクル、決済)からのエピソード構築を標準化し、(ii)メーカー/テッカーセマンティクスと料金モデリングを備えた実行現実的なシミュレータ、(iii)ツールベースのエージェントインターフェースを標準化する。暗号通貨、天気、スポーツにまたがるカルシをベースとした4つのエピソードを公表する。ベースラインの結果は、取引コストや決済損失により、ナイーブなトレーディングエージェントが過小評価され、一方、手数料を意識したアルゴリズム戦略は、不安定なエピソードにおいて競争力を維持していることを示している。
論文参考訳（メタデータ） (2026-01-28T06:41:12Z)
Outcome-based Reinforcement Learning to Predict the Future [1.4313866885019229]
コンパクトな(14B)推論モデルは、o1のようなフロンティアモデルの予測精度に適合または超えるように訓練可能であることを示す。ポリマーケットのトレーディングシミュレーションでは、その賭けが10%以上の投資のリターンをもたらすと見積もっている。
論文参考訳（メタデータ） (2025-05-23T14:56:07Z)
Consistency Checks for Language Model Forecasters [54.62507816753479]
予測器の性能を,論理的に異なる質問に対する予測の整合性の観点から測定する。我々は,一連の基本質問を生成し,これらの質問から整合性チェックをインスタンス化し,予測者の予測を導き,予測の整合性を測定する自動評価システムを構築した。
論文参考訳（メタデータ） (2024-12-24T16:51:35Z)
Conservative Predictions on Noisy Financial Data [6.300716661852326]
金融市場の価格変動は、非常に騒々しいことがよく知られている。従来のルール学習技術は、高精度なルールのみを求め、先行者が適用されない予測を控えるものだった。我々は、モデルが不確実であるデータポイントの予測を控える、同様のアプローチを適用する。
論文参考訳（メタデータ） (2023-10-18T09:14:19Z)
Probable Domain Generalization via Quantile Risk Minimization [90.15831047587302]
ドメインの一般化は、目に見えないテスト分布でうまく機能する予測子を求める。我々はDGのための新しい確率的フレームワークを提案し、高い確率でよく動作する予測器を学習することを目指している。
論文参考訳（メタデータ） (2022-07-20T14:41:09Z)
You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory Prediction [52.442129609979794]
軌道予測のための最近の深層学習手法は有望な性能を示す。そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
論文参考訳（メタデータ） (2021-10-11T14:24:15Z)
Test-time Collective Prediction [73.74982509510961]
マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
論文参考訳（メタデータ） (2021-06-22T18:29:58Z)

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。