論文の概要: F$^2$Agent: Financial Fusion of Agentic Intelligence for Multimodal Trading

• arxiv url: http://arxiv.org/abs/2608.05668v1
• Date: Thu, 06 Aug 2026 07:05:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.829226
• Title: F$^2$Agent: Financial Fusion of Agentic Intelligence for Multimodal Trading
• Title（参考訳）: F$^2$Agent:マルチモーダル取引のためのエージェントインテリジェンスのファイナンシャルフュージョン
• Abstract要約: エージェント・インテリジェンス・ファイナンシャル・フュージョン・オブ・エージェント・インテリジェンスによって駆動される新しいエージェント・パラダイムであるF$2$Agentを提案する。 F$2$Agentは、まず特定のエージェントの階層をデプロイし、モダリティ固有の信号を包括的に抽出する。 さらに、雑音耐性のトレーディング信号を生成するために、モーダルアウェア適応融合機構とノイズロバスト整合正則化を導入する。
• 参考スコア（独自算出の注目度）: 24.61485862983447
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With increasingly diverse and heterogeneous information sources, effectively leveraging multimodal data is becoming pivotal for high-quality financial trading. Although recent advancements in Large Language Model (LLM)-based agents have enabled the ingestion of multimodal inputs, existing methods fail to capture nuanced cross-modal dependencies and remain vulnerable to market noise, due to limited multimodal modeling, ineffective fusion mechanisms, and inadequate robustness. To address these challenges, we propose F$^2$Agent, a novel multimodal agentic paradigm driven by the Financial Fusion of Agentic Intelligence. F$^2$Agent first deploys a hierarchy of specialized agents to comprehensively extract modality-specific signals. It further introduces a modality-aware adaptive fusion mechanism coupled with noise-robust consistency regularization to dynamically capture fine-grained inter-modality dependencies and generate noise-resilient trading signals. Extensive experiments on six stocks and cryptocurrency assets demonstrate that F$^2$Agent consistently outperforms 16 competitive baselines across multiple trading metrics, with over 20% relative improvement in annualized return on average. Notably, F$^2$Agent delivers returns of 120.48% on GOOG and 148.41% on TSLA, demonstrating its efficacy and robustness in varying market dynamics.
• Abstract（参考訳）: 多様性と異質な情報ソースの増大により、マルチモーダルデータを効果的に活用することは、高品質な金融取引において重要なものになりつつある。 近年のLarge Language Model (LLM) ベースのエージェントの進歩によりマルチモーダル入力の取り込みが可能になったが、既存の手法では複雑なクロスモーダル依存を捉えることができず、マルチモーダルモデリングの制限、非効率な融合機構、不適切なロバスト性のために市場ノイズに弱いままである。 これらの課題に対処するため,エージェント・インテリジェンス・ファイナンシャル・フュージョン・オブ・エージェント・インテリジェンスによって駆動される新しいマルチモーダル・エージェント・パラダイムであるF$^2$Agentを提案する。 F$^2$Agentは、まず特定のエージェントの階層をデプロイし、モダリティ固有の信号を包括的に抽出する。 さらに、ノイズ・ロバスト整合性規則化と組み合わさって、微粒なモード間依存関係を動的に捕捉し、ノイズ・レジリエントなトレーディング信号を生成するモダリティ適応型融合機構を導入する。 F$^2$Agentは、複数のトレーディング指標で16の競争ベースラインを一貫して上回り、平均で20%以上の相対的なリターンを達成している。 特に、F$^2$Agentは、GOOGで120.48%、TSLAで148.41%のリターンを提供し、様々な市場のダイナミクスにおいてその有効性と堅牢性を示す。

関連論文リスト

• Poisoning Agentic Alpha: Adversarial Vulnerabilities Across Roles and Architectures in Multi-Agent Trading Systems [103.90831279037094]
  LLMベースのマルチエージェントトレーディングシステムは、研究プロトタイプから実際の資産を管理するライブデプロイメントへと急速に移行している。 破損した信号は最終決定に伝播し、実現された財政損失に変換される。 本稿では,金融分野において,敵対的信号がマルチエージェント取引システムにどのように入るのかを特徴付ける最初の体系的実証的研究について述べる。
  論文  参考訳（メタデータ） (2026-08-25T05:07:37Z)
• MARTI-MARS$^2$: Scaling Multi-Agent Self-Search via Reinforcement Learning for Code Generation [64.2621682259008]
  セルフサーチスケーリングによるマルチエージェント強化トレーニングと推論フレームワーク(MARTI-MARS2) 本稿では,MARTI-MARS2を用いたマルチエージェント強化学習・推論フレームワークを提案する。 我々は、MARTI-MARS2が77.7%を獲得し、GPT-5.1のような強力なベースラインを、挑戦的なコード生成ベンチマークで上回っていることを示す。
  論文  参考訳（メタデータ） (2026-02-08T07:28:44Z)
• Active Asymmetric Multi-Agent Multimodal Learning under Uncertainty [15.933557806106071]
  不確実性下でのアクティブ非対称マルチエージェントマルチモーダル学習(A2MAML)を提案する。 A2MAMLは、不確実性を認識し、モダリティレベルのコラボレーションのための原則化されたアプローチである。 共同事故検出のための接続された自律走行シナリオの実験は、A2MAMLがシングルエージェントとコラボレーティブベースラインの両方を一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-02-04T17:01:31Z)
• Why Keep Your Doubts to Yourself? Trading Visual Uncertainties in Multi-Agent Bandit Systems [21.356119126402902]
  私たちは、不確実性のための分散市場として調整を再構築するフレームワークであるAgoraを紹介します。 トンプソンサンプリングを拡張した市場対応ブローカーは、協力を開始し、コスト効率の高い均衡に向けてシステムを誘導する。 結果は、市場ベースのコーディネーションを、経済的に実行可能なビジュアルインテリジェンスシステムを構築するための原則的でスケーラブルなパラダイムとして確立する。
  論文  参考訳（メタデータ） (2026-01-26T17:58:53Z)
• Amplifying Prominent Representations in Multimodal Learning via Variational Dirichlet Process [55.91649771370862]
  ディリクレ過程(DP)混合モデルは、最も顕著な特徴を増幅できる強力な非パラメトリック法である。 本稿では,DP駆動型マルチモーダル学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-23T16:53:24Z)
• When Agents Trade: Live Multi-Market Trading Benchmark for LLM Agents [74.55061622246824]
  Agent Market Arena (AMA)は、LLM(Large Language Model)ベースのトレーディングエージェントを評価するための、初めてのリアルタイムベンチマークである。 AMAは、検証済みのトレーディングデータ、専門家チェックされたニュース、および統一されたトレーディングフレームワーク内に多様なエージェントアーキテクチャを統合する。 GPT-4o、GPT-4.1、Claude-3.5-haiku、Claude-sonnet-4、Gemini-2.0-flashにまたがる薬剤を評価する。
  論文  参考訳（メタデータ） (2025-10-13T17:54:09Z)
• 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)
• QuantAgents: Towards Multi-agent Financial System via Simulated Trading [40.636918662488505]
  QuantAgentsは、シミュレーショントレーディングを統合するマルチエージェントシステムである。 QuantAgentsは、シミュレートされたトレーディングアナリスト、リスクコントロールアナリスト、マーケットニュースアナリスト、マネージャの4つのエージェントで構成されている。 本システムは,実世界の市場におけるパフォーマンスと,模擬取引における予測精度の2つの側面からフィードバックを受けるためのエージェントを動機付けている。
  論文  参考訳（メタデータ） (2025-10-06T09:45:57Z)
• TradingAgents: Multi-Agents LLM Financial Trading Framework [4.293484524693143]
  TradingAgentsは、トレーディング会社にインスパイアされた新しい株式トレーディングフレームワークを提案する。 基本的なアナリスト、センチメントアナリスト、テクニカルアナリスト、さまざまなリスクプロファイルを持つトレーダーといった専門的な役割でLLMを動力とするエージェントが特徴である。 動的で協調的なトレーディング環境をシミュレートすることで、このフレームワークはトレーディングのパフォーマンスを改善することを目指している。
  論文  参考訳（メタデータ） (2024-12-28T12:54:06Z)
• MacroHFT: Memory Augmented Context-aware Reinforcement Learning On High Frequency Trading [20.3106468936159]
  強化学習(RL)は、高周波取引(HFT)のもう一つの魅力あるアプローチとなっている。 我々は,新しいメモリ拡張コンテキスト認識強化学習手法であるOn HFT, empha.k. MacroHFTを提案する。 マイクロレベルのトレーディングタスクにおいて,MacroHFTは最先端のパフォーマンスを実現することができることを示す。
  論文  参考訳（メタデータ） (2024-06-20T17:48:24Z)
• Bi-Bimodal Modality Fusion for Correlation-Controlled Multimodal Sentiment Analysis [96.46952672172021]
  Bi-Bimodal Fusion Network (BBFN) は、2対のモダリティ表現で融合を行う新しいエンドツーエンドネットワークである。 モデルは、モダリティ間の既知の情報不均衡により、2つのバイモーダルペアを入力として取る。
  論文  参考訳（メタデータ） (2021-07-28T23:33:42Z)

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。