論文の概要: DSA: Evidence-Aware LLM-Agent Orchestration for Multi-Market Stock Research
- arxiv url: http://arxiv.org/abs/2608.26990v1
- Date: Thu, 27 Aug 2026 11:37:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-28 16:30:58.372749
- Title: DSA: Evidence-Aware LLM-Agent Orchestration for Multi-Market Stock Research
- Title（参考訳）: DSA:多市場株式研究のためのLCM-Agentオーケストレーション
- Abstract要約: 大規模言語モデル (LLM) エージェントを用いた多市場ストックリサーチのためのエビデンス対応オーケストレーションフレームワーク DSA を提案する。
DSAは、ワークフローをエビデンス取得、構造化されたコンテキスト構築、モデル変更分析、任意の役割と戦略スキル推論、選択されたコンテキストと診断によるレポート生成に編成する。
- 参考スコア（独自算出の注目度）: 3.674756352891229
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language models can summarize financial information, but an operational stock-research system must first assemble heterogeneous evidence, expose unavailable data and model capabilities, and control how generated opinions affect a final report. We present DSA, an evidence-aware orchestration framework for multi-market stock research with large language model (LLM) agents. DSA organizes the workflow into evidence acquisition, structured context construction, model-routed analysis, optional role and Strategy Skill reasoning, and report generation with selected context and diagnostics. A default report profile and an optional agentic profile share evidence and model-routing services but use profile-specific output validation and risk safeguards. In the agentic profile, core role outputs are processed by role-specific parsers, whereas Strategy Skill opinions undergo an additional signal-eligibility partition before synthesis; disagreement is supplied explicitly to the decision agent, followed by a conservative risk override. The reference implementation includes six regional market paths, fifteen bundled Strategy Skills, hosted and local model routes, and multiple execution and delivery surfaces. At a frozen software snapshot, a selected manifest of 1,457 portable offline backend contract tests passed; 596 cases were retrospectively mapped to six contract families central to the reported LLM-agent architecture. This evidence establishes implementation conformance for the tested software contracts, not superior report quality, forecasting accuracy, or investment returns.
- Abstract（参考訳）: 大規模言語モデルは財務情報を要約することができるが、運用ストック検索システムはまず不均一な証拠を収集し、不利用可能なデータやモデル機能を公開し、生成した意見がどのように最終報告に影響するかを制御する必要がある。
大規模言語モデル (LLM) エージェントを用いた多市場ストックリサーチのためのエビデンス対応オーケストレーションフレームワーク DSA を提案する。
DSAは、ワークフローをエビデンス取得、構造化されたコンテキスト構築、モデル変更分析、任意の役割と戦略スキル推論、選択されたコンテキストと診断によるレポート生成に編成する。
デフォルトのレポートプロファイルとオプションのエージェントプロファイルはエビデンスとモデルルーティングサービスを共有するが、プロファイル固有の出力検証とリスク保護を使用する。
エージェントプロファイルでは、コアロールの出力はロール固有のパーサーによって処理されるのに対し、Strategy Skillの意見は合成の前に信号の可視性のパーティションを追加し、不一致は決定エージェントに明示的に供給され、続いて保守的なリスクがオーバーライドされる。
リファレンス実装には、6つの地域市場パス、15のバンドル戦略スキル、ホストおよびローカルモデルルート、複数の実行およびデリバリサーフェスが含まれている。
フリーズされたソフトウェアスナップショットでは、1,457のポータブルなオフラインバックエンドコントラクトテストが選択され、596のケースが報告されたLCMエージェントアーキテクチャの中心にある6つのコントラクトファミリに再マップされた。
この証拠は、テスト済みのソフトウェア契約の実装に適合し、優れたレポート品質、予測精度、投資リターンではないことを証明します。
関連論文リスト
- Agentic AI and Retrieval-Augmented Models in Straight-Through Underwriting [7.670757733138505]
アクチュアリーは現在、従来のルールベースの自動化から大規模言語モデルまで、幅広い設計領域に直面しています。
本稿では,これらの新しいアーキテクチャが,透明性や監査可能性,ループ内ガバナンスなど,アクチュアリな優先事項をどのようにサポートするかを検討する。
論文 参考訳（メタデータ） (2026-07-08T18:43:34Z) - An Organization-Scoped LLM Agent Runtime Architecture for Regulated Cybersecurity Operations [0.3013679260442808]
規制されたサイバーセキュリティは、組織レベルの範囲を強制するランタイム基板を欠いている。
最近の大規模言語モデル(LLM)エージェントシステムは、孤立したサイバーセキュリティタスクに対して強い結果を報告している。
本稿では,金融サイバーセキュリティのための組織スコープ型エージェントランタイムアーキテクチャを提案する。
論文 参考訳（メタデータ） (2026-05-28T21:51:38Z) - ARIS: Autonomous Research via Adversarial Multi-Agent Collaboration [10.076972559007116]
ARIS(Auto-Research-in-sleep)は、自律的な研究のためのオープンソースの研究ハーネスである。
ARISは、クロスモデル対外コラボレーションを通じて機械学習の研究を調整する。
論文 参考訳（メタデータ） (2026-05-04T18:10:15Z) - Automated Self-Testing as a Quality Gate: Evidence-Driven Release Management for LLM Applications [51.56484100374058]
我々は,エビデンスに基づくリリース決定を伴う品質ゲートを導入する自動自己テストフレームワークを提案する。
内部展開型多エージェント対話型AIシステムの縦型ケーススタディにより,本フレームワークの評価を行った。
論文 参考訳（メタデータ） (2026-03-13T20:44:15Z) - MC-Search: Evaluating and Enhancing Multimodal Agentic Search with Structured Long Reasoning Chains [79.14584837105808]
MC-Searchは5つの代表的推論構造にまたがる長いステップワイドなアノテート推論チェーンを持つエージェントMM-RAGの最初のベンチマークである。
回答精度以外にも、MC-Searchは、品質、段階的検索、計画精度を推論するための新しいプロセスレベルメトリクスを導入している。
エージェントMM-RAGパイプラインを統一的に開発することにより、6つのMLLMをベンチマークし、過剰検索や過度検索、モダリティミスアライメント計画などの体系的な問題を明らかにする。
論文 参考訳（メタデータ） (2026-03-01T02:25:57Z) - MARA: A Multimodal Adaptive Retrieval-Augmented Framework for Document Question Answering [51.19392014547221]
検索型マルチモーダル文書QAは,視覚的にリッチな文書から複雑なマルチモーダル構造を持つ関連情報を識別し,統合することを目的としている。
現在のアプローチは、サージェントなコンテンツを見渡すクエリに依存しないドキュメント表現に依存しています。
本稿では,クエリ適応生成を導入したMultimodal Adaptive Retrieval-Augmented (MARA)フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-01T12:27:40Z) - LongDA: Benchmarking LLM Agents for Long-Document Data Analysis [55.32211515932351]
LongDAは、長いドキュメントと複雑なデータをナビゲートする実際の設定をターゲットとしています。
LongTAは、ドキュメントアクセス、検索、コード実行を可能にするツール拡張されたエージェントフレームワークである。
実験の結果, 最先端モデルにおいても, かなりの性能差が認められた。
論文 参考訳（メタデータ） (2026-01-05T23:23:16Z) - ORCHID: Orchestrated Retrieval-Augmented Classification with Human-in-the-Loop Intelligent Decision-Making for High-Risk Property [6.643427585499247]
ORCHIDは、HRP分類のためのモジュール型エージェントシステムである。
検索強化世代(RAG)を人間の監視と組み合わせて、監査可能なポリシベースのアウトプットを生成する。
デモでは、単一項目の提出、接地された引用、中小企業のフィードバックキャプチャ、エクスポート可能な監査アーティファクトなどが紹介されている。
論文 参考訳（メタデータ） (2025-11-07T03:48:05Z) - CXRAgent: Director-Orchestrated Multi-Stage Reasoning for Chest X-Ray Interpretation [62.0150409256153]
我々は、CXR解釈のためのディレクター調整型多段階エージェントであるCXRAgentを提案する。
エージェントは、Evidence-driven Validatorによって正規化され検証された出力を持つ一連のCXR分析ツールを戦略的にオーケストレーションする。
様々なCXR解釈タスクの実験は、CXRAgentが強いパフォーマンスを示し、視覚的証拠を提供し、異なる複雑さの臨床的タスクにうまく一般化していることを示している。
論文 参考訳（メタデータ） (2025-10-24T10:31:30Z) - Automatic Building Code Review: A Case Study [6.530899637501737]
建設担当者は、プロジェクトのサイズと複雑さが増大するにつれて、労働集約的で、エラーを起こし、コストがかかる設計文書のレビューに直面します。
本研究では,BIMに基づくデータ抽出と自動検証を統合したエージェント駆動型フレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-03T00:30:14Z) - FinAgentBench: A Benchmark Dataset for Agentic Retrieval in Financial Question Answering [57.18367828883773]
FinAgentBenchは、ファイナンスにおける多段階推論によるエージェント検索を評価するためのベンチマークである。
このベンチマークは、S&P-500上場企業に関する26Kのエキスパートアノテート例から成っている。
我々は,最先端モデルの集合を評価し,対象の微調整がエージェント検索性能を大幅に向上することを示す。
論文 参考訳（メタデータ） (2025-08-07T22:15:22Z)
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。