論文の概要: REFLEX: Reflexive Equilibrium Fixed-point Learning for Endogenous eXchanges
- arxiv url: http://arxiv.org/abs/2608.16155v1
- Date: Mon, 17 Aug 2026 06:19:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.554393
- Title: REFLEX: Reflexive Equilibrium Fixed-point Learning for Endogenous eXchanges
- Title（参考訳）: REFLEX:内因性eXchangeに対する反射平衡固定点学習
- Abstract要約: 社債市場では、ディーラーは入札を引用して価格を問うことで競う。
Tighterの引用は、より多くのビジネスを引き寄せる一方で、顧客に対して、悪い価格変動よりも先に取引する可能性が高いことを知らせる。
ディーラーが言葉の引用に機械学習を使うようになると、彼らは自分の引用を惹きつける取引でこれらのモデルを再び訓練する。
- 参考スコア（独自算出の注目度）: 0.8229230247488495
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In over-the-counter corporate bond markets, dealers compete for client trades by quoting bid and ask prices. Tighter quotes attract more business, but also informed customers more likely to trade ahead of adverse price moves, leaving the dealer holding the risk. As dealers increasingly use machine learning to set quotes, they retrain these models on the trades their own quotes attract, creating a feedback loop in which each model reshapes the market that generates its next training data. The question is therefore not only whether a quoting model performs well, but whether the market it creates stays stable as the model learns from it. Existing performative prediction theory gives a sharp stability condition, yet expresses it through abstract properties of the learning objective a trading desk cannot measure before deployment. We introduce REFLEX, a framework that replaces those unobservable quantities with three measurable features of dealer behavior: how strongly trading volume responds to tighter quotes, how sharply the dealer's objective bends around its optimum, and how quickly informed flow increases as spreads narrow. REFLEX combines these into a single retraining modulus, a pre-deployment stability margin estimated from a desk's own quote and execution history that predicts whether repeated retraining will converge or amplify itself. In simulation, predicted and measured stability agree within 8%, and competing dealers increase instability by 1.74x with two and 3.16x with three, as predicted. Where ordinary retraining becomes unstable at modulus 1.21, a structurally anchored correction converges as blind retraining collapses. Calibrated over 36 years of public market data, stability headroom falls roughly 4.4x for investment grade and 4.3x for high yield from calm to crisis regimes. Ultimately, REFLEX turns an abstract convergence theorem into a market-level safety margin.
- Abstract（参考訳）: オーバー・ザ・カウンタの社債市場では、ディーラーは入札を引用して価格を求めることで顧客取引を競う。
Tighterの引用はより多くのビジネスを引き寄せる一方で、顧客に対して悪い価格の動きよりも先に取引する可能性が高いことを知らせ、ディーラーにリスクを負わせている。
ディーラーが言葉の引用を機械学習で決めるようになると、彼らはこれらのモデルを自分の引用が引き寄せる取引で再訓練し、各モデルが次のトレーニングデータを生成する市場を安心させるフィードバックループを作る。
したがって、見積もりモデルがうまく機能するかどうかだけでなく、モデルがそこから学習する市場が安定しているかどうかが問題となる。
既存の性能予測理論は、鋭い安定性条件を与えるが、トレーディングデスクが展開前に測定できない学習目標の抽象的性質を通して表現する。
このフレームワークは、ディーラーの行動の計測不可能な量を3つの特徴に置き換えるものだ: 取引ボリュームがより厳密な引用にどれほど強く反応するか、ディーラーの目的が最適に曲がっているか、そして、広がりが狭まるにつれて情報の流れが急速に増加するか。
REFLEXはこれらを単一の再訓練率(retraining modulus)と組み合わせて、再訓練の繰り返しが自分自身を収束または増幅するかどうかを予測する、デスク自身の引用と実行履歴から推定される事前デプロイの安定性マージンである。
シミュレーションでは、予測された安定性と測定された安定性は8%以内で一致し、競合するディーラーは予測した3倍の2倍と3倍の1.74倍の不安定性を持つ。
通常の再トレーニングが1.21で不安定になると、ブラインド再トレーニングが崩壊すると、構造的に固定された補正が収束する。
36年間の公開市場データから、投資適格は4.4倍、高利回りは4.3倍となっている。
最終的に、REFLEXは抽象収束定理を市場レベルの安全マージンに変換する。
関連論文リスト
- FinPersona-Bench: A Benchmark for Longitudinal Psychometric Stability of Autonomous Financial Agents [39.00852136756911]
大規模言語モデル(LLM)は、明示的な行動規範を持つ自律的な金融エージェントとして、ますます多くデプロイされている。
市場の状況が長い地平線を越えて蓄積するにつれて、これらの委任統治は徐々に行動的影響を失う。
衝突のシナリオでは、静的エージェントと周期的な委譲再接地を受けるエージェントの挙動ギャップは、シミュレーションの第1四半期から第4四半期まで4.4倍に増大する。
これらの結果から, 信頼性の高い長期展開には, エージェントプロファイルと市場体制に基づく選択的, 委任型再接地が必要であることが示唆された。
論文 参考訳（メタデータ） (2026-06-30T11:33:29Z) - Training Language Models for Bilateral Trade with Private Information [47.25254982913256]
貿易の利益を達成するためには、個人、戦略的余剰の合理性、協力が必要である。
本研究では,大規模言語モデルがイベント駆動シミュレータ内のツールコールを介して交渉する構造化交渉環境を開発する。
この環境は、フロンティアモデルのベンチマークと、強化学習によるオープンウェイトモデルのトレーニング環境という2つの目的を果たす。
論文 参考訳（メタデータ） (2026-04-10T03:04:20Z) - 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) - FineFT: Efficient and Risk-Aware Ensemble Reinforcement Learning for Futures Trading [39.845446417892525]
The Efficient and Risk-Aware Ensemble Reinforcement Learning for Futures Trading (FineFT)は、安定したトレーニングと適切なリスク管理を備えた新しいアンサンブルフレームワークである。
ファイナンシャルFTは6つの財務指標において12SOTAベースラインを上回り、リスクを40%以上削減する一方で、ランナーに比べて優れた収益性を実現している。
論文 参考訳（メタデータ） (2025-12-29T11:56:33Z) - 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) - Reinforcement Learning from Probabilistic Forecasts for Safe Decision-Making via Conditional Value-at-Risk Planning [41.52380204321823]
本稿では,ベイズ予測,後方サンプリング強化学習,計画とを結合した統一的枠組みである不確実性認識マルコフ決定プロセス(UAMDP)を提案する。
構造的不確実性と経済のボラティリティを特徴とする2つのドメインの高頻度株式取引と小売在庫管理において,UAMDPを評価した。
論文 参考訳（メタデータ） (2025-10-09T13:46:32Z) - Your AI, Not Your View: The Bias of LLMs in Investment Analysis [62.388554963415906]
金融において、Large Language Models (LLMs) は、事前訓練されたパラメトリック知識とリアルタイム市場データとの相違から生じる、頻繁な知識紛争に直面している。
これらの対立は、モデル固有のバイアスが制度的目的と誤認される現実世界の投資サービスにおいて特に問題となる。
本研究では,このような紛争シナリオにおける創発的行動を調べるための実験的枠組みを提案し,投資分析におけるバイアスの定量的分析を行う。
論文 参考訳（メタデータ） (2025-07-28T16:09:38Z) - Agent Trading Arena: A Study on Numerical Understanding in LLM-Based Agents [69.58565132975504]
大規模言語モデル(LLM)は、自然言語処理において顕著な能力を示した。
LLMをベースとしたエージェントが競合するマルチエージェント取引を行う仮想ゼロサム株式市場であるエージェントトレーディングアリーナを提示する。
論文 参考訳（メタデータ） (2025-02-25T08:41:01Z) - Multi-Asset Spot and Option Market Simulation [52.77024349608834]
正規化フローに基づく1つの基盤となる1つのマーケットシミュレータを現実的に構築する。
本研究では, 正規化流れの条件付き可逆性を活用し, 独立シミュレータの連立分布をキャリブレーションするスケーラブルな手法を提案する。
論文 参考訳（メタデータ） (2021-12-13T17:34:28Z) - Reinforcement Learning for Systematic FX Trading [0.0]
我々は、主要なキャッシュペアについて詳細な実験を行い、取引と資金調達のコストを正確に説明します。
こうした利益と損失の源泉は、通貨市場で発生した価格動向を含め、当社の継続的な強化学習者に提供されています。
取引コストが統計上最も高いのは、午後5時(日本時間午前5時)の取引終了時にモデルに取引を強制したにもかかわらず。
論文 参考訳（メタデータ） (2021-10-10T09:44:29Z) - Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。
ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。
2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
論文 参考訳（メタデータ） (2021-09-14T18:50:38Z)
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。