論文の概要: TradingMoE: Routing the Right Experts in Evolving Markets
- arxiv url: http://arxiv.org/abs/2608.11785v1
- Date: Wed, 12 Aug 2026 08:27:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-13 19:07:54.518408
- Title: TradingMoE: Routing the Right Experts in Evolving Markets
- Title（参考訳）: トレーディングモエ氏:市場開拓に適切な専門家を選ばせる
- Abstract要約: TradingMoEはトレーディング指向のスパースMoEで、軽量な残留専門家によって凍結した高密度の大規模言語モデルを拡張する。
また,TradingMoEは,最高性能のベースラインに対する累積リターンを,それぞれ30.89%,30.7%向上させることを示した。
- 参考スコア（独自算出の注目度）: 41.50549896418085
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language models (LLMs) have shown strong potential for financial analysis and trading, but direct trading remains challenging because the predictive capabilities required can vary across assets, decision fields, and market conditions. Existing LLM-based trading systems either coordinate human-defined external experts or adopt conventional internal Mixture-of-Experts (MoE) routers that do not directly evaluate how individual experts contribute to trading decisions. Moreover, these routers receive no direct signal indicating when an inactive expert has become more suitable as market conditions change. We find that native router scores poorly reflect how much individual experts improve trading decisions, frequently leaving better alternatives unselected. We further reveal that token-specific expert usefulness exhibits a compact low-dimensional structure. Based on these findings, we propose TradingMoE, a trading-oriented sparse MoE that augments a frozen dense LLM with lightweight residual experts. We introduce a Query-Key router that represents the expertise required by each token under the current market context as a low-dimensional query and matches it with learnable expert keys. We further propose a sparse expert selection update mechanism that samples a few inactive experts during training and estimates whether they should replace the weakest expert in the current Top-k route. This mechanism enables the router to update expert selection as market conditions change while preserving sparse computation. Experiments against 22 baselines on stock and cryptocurrency markets show that TradingMoE improves cumulative return over the best-performing baselines by 30.89% and 30.7%, respectively. Rolling paper-trading experiments further demonstrate that its advantage persists under forward-only deployment.
- Abstract（参考訳）: 大規模言語モデル(LLM)は金融分析と取引の可能性を強く示しているが、必要な予測能力は資産、意思決定分野、市場条件によって異なるため、直接取引は依然として困難である。
既存のLLMベースのトレーディングシステムは、人間の定義した外部の専門家をコーディネートするか、個別の専門家が取引決定にどのように貢献するかを直接評価しない、従来の内部Mixture-of-Experts (MoE)ルータを採用する。
さらに、これらのルータは、市場の状況の変化に応じて不活性な専門家が適していることを示す直接信号を受け取らない。
ネイティブルータのスコアは,個々の専門家による取引判断の改善の程度を反映していないことが分かりました。
さらに、トークン固有の専門的有用性は、コンパクトな低次元構造を示す。
これらの知見に基づいて,軽量残留専門家による冷凍高密度LCMを増強するトレーディングモーズ(TradingMoE)を提案する。
我々は、現在の市場コンテキスト下で各トークンが必要とする専門知識を低次元のクエリとして表現するQuery-Keyルータを導入し、それを学習可能なエキスパートキーとマッチングする。
さらに、トレーニング中に少数の非アクティブな専門家をサンプリングし、現在のTop-kルートで最も弱い専門家を置き換えるべきかどうかを推定するスパース専門家選択更新機構を提案する。
このメカニズムにより、ルータはスパース計算を保ちながら市場の状況が変わるにつれて専門家の選択を更新できる。
株式と暗号通貨市場における22のベースラインに対する実験は、TradingMoEがそれぞれ最高のパフォーマンスベースラインに対する累積リターンを30.89%、30.7%改善していることを示している。
ローリングペーパートレーディングの実験は、その利点が前方のみのデプロイメントで持続していることをさらに証明している。
関連論文リスト
- Regime-Aware Portfolio Management via Retrieval-Augmented LLM-Guided Expert Switching [3.0795668932789515]
本研究は,検索強化されたエキスパート・スイッチング・フレームワークを提案する。
同様の市場状況下での過去の業績に基づいて専門家を選別する。
暗号通貨、株式、外国為替市場での実験では、提案されたセレクタが最も高い累積リターン率とシャープ比を達成したことが示されている。
論文 参考訳（メタデータ） (2026-08-28T12:15:54Z) - MoE-GRPO: Optimizing Mixture-of-Experts via Reinforcement Learning in Vision-Language Models [36.67777831459829]
Mixture-of-Experts (MoE)は、Transformerアーキテクチャの計算オーバーヘッドを削減する効果的なアプローチとして登場した。
我々は、MoEベースのビジョンランゲージモデルにおいて、エキスパートルーティングを最適化するための強化学習フレームワークであるMoE-GRPOを提案する。
MoE-GRPOは、より多様な専門家の選択を促進することにより、標準のトップKルーティングとその変種を一貫して上回ることを示す。
論文 参考訳（メタデータ） (2026-03-26T03:23:45Z) - TraderBench: How Robust Are AI Agents in Adversarial Capital Markets? [8.661756660747042]
TraderBenchは金融のAIエージェントを評価するためのベンチマークである。
専門家が検証した静的タスク(知識検索、分析的推論)と敵の取引シミュレーションを組み合わせる。
2つの新しいトラック:4つのプログレッシブ・マーケット・マニピュレーション・トランスフォーメーションによる暗号取引、オプションデリバティブはP&Lの正確性、ギリシャ人、リスク管理である。
論文 参考訳（メタデータ） (2026-02-27T20:06:28Z) - SAME: Stabilized Mixture-of-Experts for Multimodal Continual Instruction Tuning [83.66308307152808]
マルチモーダル・インストラクション・チューニング(MCIT)のためのStAbilized Mixture-of-Experts(SAME)を提案する。
プロプライエタリは、サブスペースへのルーティングダイナミクスを分解し、タスク関連方向のみを更新することで、専門家の選択を安定化する。
また、トレーニング中に選択した専門家を凍結するためにアダプティブな専門家アクティベーションを導入し、冗長でクロスタスクな干渉を減らす。
論文 参考訳（メタデータ） (2026-02-02T11:47:06Z) - 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) - To Trade or Not to Trade: An Agentic Approach to Estimating Market Risk Improves Trading Decisions [0.0]
大規模言語モデル(LLM)はますますエージェントフレームワークにデプロイされている。
我々は LLM を用いて金融時系列の微分方程式を反復的に発見するエージェントシステムを開発した。
モデルインフォームドトレーディング戦略は標準LLMエージェントよりも優れていた。
論文 参考訳（メタデータ） (2025-07-11T13:29:32Z) - Finding Fantastic Experts in MoEs: A Unified Study for Expert Dropping Strategies and Observations [86.90549830760513]
わずかに活性化されたMixture-of-Experts(SMoE)は、ニューラルネットワークの学習能力のスケールアップを約束している。
多様な視点から専門家の重要度を推定するためのベンチマークとして,MoE Experts Compression Suite (MC-Suite)を提案する。
我々は,SMoEsの指示追従能力が主に損なわれるという,実験的に検証された予想を提示する。
論文 参考訳（メタデータ） (2025-04-08T00:49:08Z) - When AI Meets Finance (StockAgent): Large Language Model-based Stock Trading in Simulated Real-world Environments [55.19252983108372]
LLMによって駆動される、StockAgentと呼ばれるマルチエージェントAIシステムを開発した。
StockAgentを使えば、ユーザーはさまざまな外部要因が投資家取引に与える影響を評価することができる。
AIエージェントに基づく既存のトレーディングシミュレーションシステムに存在するテストセットのリーク問題を回避する。
論文 参考訳（メタデータ） (2024-07-15T06:49:30Z) - Temporal distribution of clusters of investors and their application in prediction with expert advice [0.0]
本研究では,20k外国為替(FX)トレーダーの実際の取引から得られたクラスターの分布を実証することにより,この分野に寄与する。
専門家アドバイスアルゴリズムを用いたオンライン予測アルゴリズムであるAggregating Algorithm (AA) が、上記の実世界のデータに適用でき、トレーダーリスクのポートフォリオのリターンを改善することができることを示す。
論文 参考訳（メタデータ） (2024-06-04T15:28:06Z) - MoEC: Mixture of Expert Clusters [93.63738535295866]
Sparsely Mixture of Experts (MoE)は、安価な計算オーバーヘッドを持つ有望なスケーリング能力のため、大きな関心を集めている。
MoEは密度の高い層をスパースの専門家に変換し、ゲートルーティングネットワークを使用して専門家を条件付きで活性化させる。
しかし、専門家の数が増加するにつれて、乱雑なパラメータを持つMoEはデータアロケーションの過度な調整とスパースに悩まされる。
論文 参考訳（メタデータ） (2022-07-19T06:09:55Z)
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。