論文の概要: Retrieval-augmented generation vs. deterministic tax computation in multi-agent financial advisory: A 2x2 factorial experiment

• arxiv url: http://arxiv.org/abs/2608.23908v1
• Date: Mon, 24 Aug 2026 23:23:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.658962
• Title: Retrieval-augmented generation vs. deterministic tax computation in multi-agent financial advisory: A 2x2 factorial experiment
• Title（参考訳）: マルチエージェント金融アドバイザリーにおける検索強化世代と決定論的税制計算--2×2因子実験
• Abstract要約: 本稿では,マルチエージェント取引レコメンデーションシステムのコンテキストを提供するために,カスタムキャピタルゲイン計算エンジンと市場アドバイザリレポートのRAG検索ベクターストアを導入する。 ポートフォリオの清算中に得られた相対的な資本ゲインによって測定されたレコメンデーションの質に及ぼす各コンテキストプロバイダの影響について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Tax-loss harvesting demonstrates consistent benefits to long-term portfolio growth; yet implementing it efficiently often involves complex considerations that are specific to the holdings within that portfolio and the individual who owns it. We introduce a custom capital gains calculation engine and a RAG-retrieved vector store of market advisory reports to provide context for a multi-agent trade recommendation system. We investigate the effects of each context provider on the quality of recommendations, measured by relative capital gains incurred during portfolio liquidation. A 2x2 repeated-measures ANOVA revealed a significant main effect of the tax optimization engine ($F(1,29) = 9.17$, $p = .005$, $η^2_p = .240$): enabling the engine reduced tax savings by approximately 55 percentage points relative to the no-engine conditions. The RAG main effect was not significant ($p = .841$), nor was the interaction ($p = .553$). The RAG-only condition achieved the highest descriptive mean tax savings (47.7%), and the baseline condition performed second-best (30.6%), suggesting that the pre-trained language model's internalized financial knowledge may be sufficient for competent tax-loss harvesting recommendations without explicit tooling. These results indicate that augmenting LLM agents with domain-specific computation engines does not guarantee improved performance and may introduce conflicting optimization signals.
• Abstract（参考訳）: 租税の引き抜きは長期のポートフォリオの成長に一貫した利益を示すが、それを効果的に実装するには、ポートフォリオ内の保有物とそれを所有している個人に特有の複雑な考慮が必要であることがしばしばある。 本稿では,マルチエージェント取引レコメンデーションシステムのコンテキストを提供するために,カスタムキャピタルゲイン計算エンジンと市場アドバイザリレポートのRAG検索ベクターストアを導入する。 ポートフォリオの清算中に得られた相対的な資本ゲインによって測定されたレコメンデーションの質に及ぼす各コンテキストプロバイダの影響について検討する。 2x2繰り返し測定されたANOVAは、税の最適化エンジン(F(1,29) = 9.17$, $p = .005$, $η^2_p = .240$)の重大な効果を明らかにした。 RAGの主な効果は(p = .841$)、相互作用(p = .553$)でもなかった。 RAGのみの条件は、記述的な平均税率(47.7%)が最も高く、ベースライン条件は第2位(30.6%)であり、事前訓練された言語モデルの内部的な財務知識は、明示的なツールを使わずに、有能な減税勧告に十分である可能性があることを示唆している。 これらの結果から,LLMエージェントをドメイン固有計算エンジンで拡張しても性能は向上せず,競合する最適化信号を導入する可能性が示唆された。

関連論文リスト

• The Collaboration Tax: How Much LLM Multi-Agent Systems Pay to Coordinate [17.904755511467066]
  個人情報を備えた2人組協調ゲームにおいて,チーム分散化損失として協調税を定式化する。 我々はこの定義を、接地摩擦の源泉によってグループ化された32個の単独抽出可能なタスクで運用し、7つのプロバイダから11個のモデルで測定する。
  論文  参考訳（メタデータ） (2026-08-23T00:47:00Z)
• GRPO for Financial Advice Generation: Outperforming Commercial LLMs under CATE Evaluation [2.2936251006503]
  我々は、強化学習問題として金融アドバイス生成を定式化する。 グループ相対政策最適化を用いたオープンウェイト言語モデルを微調整する。 私たちの報酬はLDM-as-a-judgeルーブリックで、アドバイス品質の複数の次元でそれぞれのレコメンデーションをスコア付けします。
  論文  参考訳（メタデータ） (2026-08-12T08:28:15Z)
• IPO Finance Agent: Benchmark of LLM Financial Analysts Beyond Finance Agent v2, with Automated Rubric Generation, on the SpaceX (SPCX) IPO [0.0]
  ファイナンスエージェント v2(Vals AI)が金融言語モデルを評価する基準ベンチマークとして登場した。 タスクドメインと検索アーキテクチャの2つの方向に沿ってファイナンスエージェントフレームワークを拡張したIPOファイナンスエージェントを紹介します。 最高の性能評価モデルであるZhipu GLM-5.2は79.8%の精度に達し、その結果得られたフロンティアで最もコスト効率のよいXiaomi MiMo-2.5 Proはクエリあたり0.05 USDでわずかに低い精度(77.2%)に達した。
  論文  参考訳（メタデータ） (2026-06-22T08:42:19Z)
• Agentic Retrieval-Augmented Generation for Financial Document Question Answering [7.56842616602779]
  FinAgent-RAGは、反復的な検索推論ループを自己組織化してオーケストレーションするエージェントRAGフレームワークである。 コントラシティブ・ファイナンシャル・レトリバー(Contrastive Financial Retriever)は、意味的には似ているが数値的に異なる金融パスを区別するために、厳しい負の採掘で訓練されたコントラシティブ・ファイナンシャル・レトリバーを統合している。 76.81%、78.46%、74.96%の精度で最強のベースラインを5.62-9.32ポイント上回っている。
  論文  参考訳（メタデータ） (2026-05-06T19:59:51Z)
• Outcome-Grounded Advantage Reshaping for Fine-Grained Credit Assignment in Mathematical Reasoning [60.00161035836637]
  グループ相対政策最適化は、推論タスクのための有望な批判のない強化学習パラダイムとして登場した。 我々は,各トークンがモデルの最終回答にどの程度影響するかに基づいて,利益を再分配する,きめ細かい信用割当機構であるOutcome-grounded Advantage Reshaping (OAR)を紹介した。 OAR-Gは計算オーバーヘッドを無視して同等のゲインを達成し、どちらも強力なGRPOベースラインをはるかに上回っている。
  論文  参考訳（メタデータ） (2026-01-12T10:48:02Z)
• OPV: Outcome-based Process Verifier for Efficient Long Chain-of-Thought Verification [91.15649744496834]
  本稿では、長い思考の連鎖から要約された結果の合理化過程を検証する、アウトカムベースプロセス検証(OPV)を提案する。 OPV は 76.3 と比較して F1 スコアが 83.1 の Qwen3-Max-Preview など,はるかに大きなオープンソースモデルよりも優れています。
  論文  参考訳（メタデータ） (2025-12-11T15:47:38Z)
• Long-horizon Reasoning Agent for Olympiad-Level Mathematical Problem Solving [65.02106674311908]
  本稿では,マルチラウンド階層的推論を行う長期水平数学エージェントであるIntern-S1-MOを紹介する。 コンパクトメモリをレムマの形で維持することにより、Intern-S1-MOはレムマリッチ推論空間をより自由に探索することができる。 実験の結果、インターンS1-MOはIMO2025の非幾何学的問題で35点中26点を得ることができ、銀メダリストのパフォーマンスに匹敵することがわかった。
  論文  参考訳（メタデータ） (2025-12-11T15:26:28Z)
• Rethinking Retrieval: From Traditional Retrieval Augmented Generation to Agentic and Non-Vector Reasoning Systems in the Financial Domain for Large Language Models [0.0]
  本稿では,ベクトルベースエージェントRAGをハイブリッド検索とメタデータフィルタリングを用いて比較した最初の体系的評価を行う。 検索指標(MRR, Recall@5), LLM-as-a-judgeのペア比較, レイテンシ, 前処理コストを計測する。 以上の結果から,金融Q&Aシステムに先進的なRAG技術を適用することにより,検索精度,回答品質が向上し,生産における費用対効果のトレードオフが考慮されることが明らかとなった。
  論文  参考訳（メタデータ） (2025-11-22T20:06:25Z)
• Supervised Optimism Correction: Be Confident When LLMs Are Sure [91.7459076316849]
  教師付き微調整とオフライン強化学習の間には,新たな理論的関係が確立されている。 広く使われているビームサーチ法は、許容できない過度な最適化に悩まされていることを示す。 本稿では,トークンレベル$Q$-value推定のための簡易かつ効果的な補助的損失を導入したSupervised Optimism Correctionを提案する。
  論文  参考訳（メタデータ） (2025-04-10T07:50:03Z)
• A Taxation Perspective for Fair Re-ranking [61.946428892727795]
  本稿では,2項目間の実用性の違いに基づいて税率を上昇させる,税率という新たな公正な再格付け手法を提案する。 我々のモデルである税ランクは、公正な優遇措置として優れた税率政策を提供し、理論的には、精度損失よりも連続性と制御性の両方を実証している。
  論文  参考訳（メタデータ） (2024-04-27T08:21:29Z)
• Learning Optimal Tax Design in Nonatomic Congestion Games [56.85292809260111]
  マルチプレイヤーゲームでは、プレイヤー間の利己的な行動が社会福祉を損なうことがある。 我々は、渋滞ゲームにおいて、限られたフィードバックで社会福祉を誘導できる最適税を学習する最初のステップを採っている。
  論文  参考訳（メタデータ） (2024-02-12T06:32:53Z)
• Algorithmic Fairness and Vertical Equity: Income Fairness with IRS Tax Audit Models [73.24381010980606]
  本研究は、IRSによる税務監査選択を通知するシステムの文脈におけるアルゴリズムフェアネスの問題について検討する。 監査を選択するための柔軟な機械学習手法が、垂直エクイティにどのように影響するかを示す。 この結果は,公共セクター全体でのアルゴリズムツールの設計に影響を及ぼす。
  論文  参考訳（メタデータ） (2022-06-20T16:27:06Z)
• Cost-Sensitive Portfolio Selection via Deep Reinforcement Learning [100.73223416589596]
  深層強化学習を用いたコスト依存型ポートフォリオ選択手法を提案する。 具体的には、価格系列パターンと資産相関の両方を抽出するために、新しい2ストリームポートフォリオポリシーネットワークを考案した。 蓄積したリターンを最大化し、強化学習によるコストの両立を抑えるため、新たなコスト感受性報酬関数が開発された。
  論文  参考訳（メタデータ） (2020-03-06T06:28:17Z)

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。