論文の概要: Regime-Aware Portfolio Management via Retrieval-Augmented LLM-Guided Expert Switching

• arxiv url: http://arxiv.org/abs/2608.28252v1
• Date: Fri, 28 Aug 2026 12:15:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.312471
• Title: Regime-Aware Portfolio Management via Retrieval-Augmented LLM-Guided Expert Switching
• Title（参考訳）: 検索型LDM誘導エキスパートスイッチングによるレジーム対応ポートフォリオ管理
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.0795668932789515
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Financial markets are inherently non-stationary, making the effectiveness of individual portfolio-management strategies highly dependent on changing market conditions. This work proposes a retrieval-augmented expert-switching framework that dynamically selects portfolio management experts based on their historical performance under similar market situations. A dual-stream variational autoencoder represents asset-level and market-wide information, while a retrieval-based knowledge base stores historical situations and expert performance. During inference, an instruction-tuned LLM reasons over the retrieved evidence to identify the most appropriate expert rather than directly generating portfolio actions. We further establish a monotonicity property showing that adding a locally superior expert cannot degrade the switching mechanism's performance. Experiments across cryptocurrency, stock, and foreign-exchange markets show that the proposed selector achieves the highest cumulative return and Sharpe ratio among the evaluated selection strategies in all three markets. In the stock market, for example, cumulative return increases from 26% for the best fixed expert to 34%, while the Sharpe ratio improves from 0.74 to 0.96. Ablation results confirm the importance of both retrieval and LLM reasoning, while experiments with different expert-pool sizes demonstrate the value of complementary expertise. Overall, the findings support retrieval-grounded expert switching as an effective approach to adaptive portfolio management in non-stationary financial environments.
• Abstract（参考訳）: 金融市場は本質的に非定常的であり、個々のポートフォリオ管理戦略の有効性は市場の状況の変化に大きく依存している。 本研究は,ポートフォリオ管理専門家の過去の実績に基づいて,ポートフォリオ管理専門家を動的に選別する検索強化型エキスパートスイッチングフレームワークを提案する。 デュアルストリーム変分オートエンコーダは資産レベルおよび市場規模で情報を表現し、検索ベースの知識ベースは歴史的状況と専門家のパフォーマンスを記憶する。 推論中は、ポートフォリオアクションを直接生成するのではなく、最も適切な専門家を特定するために、抽出された証拠に対して命令調整されたLCMの理由が示される。 さらに、局所的に優れた専門家を加えることで、スイッチング機構の性能を劣化させることができないことを示す単調性特性を確立する。 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3つの市場で評価された選択戦略の中で最も累積リターンとシャープ比を達成したことが示されている。 例えば株式市場では、累積リターンは最高の固定専門家の26%から34%に上昇し、シャープ比は0.74から0.96に改善した。 アブレーションの結果は、検索とLLM推論の両方の重要性を裏付ける一方、専門家プールサイズの異なる実験では、相補的な専門知識の価値が示される。 本研究は,非定常的金融環境における適応的ポートフォリオ管理への効果的なアプローチとして,検索分野の専門家交代を支援する。

関連論文リスト

• TradingMoE: Routing the Right Experts in Evolving Markets [41.50549896418085]
  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。
  論文  参考訳（メタデータ） (2026-08-12T08:27:14Z)
• From Knowing to Doing: A Memory-Controlled Benchmark for LLM Trading Agents on Stock Markets [34.699961175708815]
  KTD-Finは、エンドツーエンドの株式市場トレーディングベンチマークである。 歴史的市場記憶と投資決定を分離する。 Barraスタイルのパフォーマンス属性フレームワークが組み込まれている。
  論文  参考訳（メタデータ） (2026-05-27T11:57:10Z)
• Deep Reinforcement Learning Framework for Diversified Portfolio Management Across Global Equity Markets [0.0]
  本研究は,グローバル・エクイティ・マーケットにおける動的ポートフォリオ・アロケーションのための深層強化学習フレームワークを開発し,評価する。 報酬の定式化、政策構造、ポートフォリオ制約、時間エンコーダの5つのモデル構成を比較する。 その結果、RL戦略は、統計学的に有意な異常リターンが観測されるEuro Stoxx 50において、主に競争リスク調整性能を達成することが示された。
  論文  参考訳（メタデータ） (2026-05-17T07:50:37Z)
• 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)
• 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)
• 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)
• MetaTrader: An Reinforcement Learning Approach Integrating Diverse Policies for Portfolio Optimization [17.759687104376855]
  ポートフォリオ管理のための新しい2段階的アプローチを提案する。 最初の段階では、強化学習フレームワークに模倣学習を組み込む。 第2段階では、メタ政治を学び、市場状況を認識し、従うべき最も適切な学習方針を決定する。
  論文  参考訳（メタデータ） (2022-09-01T07:58:06Z)
• Deep Q-Learning Market Makers in a Multi-Agent Simulated Stock Market [58.720142291102135]
  本稿では,エージェント・ベースの観点から,これらのマーケット・メーカーの戦略に関する研究に焦点をあてる。 模擬株式市場における知的市場マーカー作成のための強化学習(Reinforcement Learning, RL)の適用を提案する。
  論文  参考訳（メタデータ） (2021-12-08T14:55:21Z)
• Time your hedge with Deep Reinforcement Learning [0.0]
  深層強化学習(DRL)は、市場情報とヘッジ戦略の割り当て決定の間のダイナミックな依存関係を作成することで、この課題に対処することができる。 i)行動決定に追加の文脈情報を使用し、(ii)共通の資産運用者の1日のラグ転倒を考慮し、ヘッジの再均衡を図るための観察と行動の間に1期間の遅れがあり、(iii)アンカードウォークフォワードトレーニングと呼ばれる反復的な試験方法により、安定性とロバスト性の観点から完全にテストされており、(iv)時系列のkフォールドクロスバリデーションと同様に、ヘッジの活用を可能にする。
  論文  参考訳（メタデータ） (2020-09-16T06:43:41Z)
• Reinforcement-Learning based Portfolio Management with Augmented Asset Movement Prediction States [71.54651874063865]
  ポートフォリオマネジメント(PM)は、最大利益や最小リスクといった投資目標を達成することを目的としている。 本稿では,PMのための新しいステート拡張RLフレームワークであるSARLを提案する。 当社の枠組みは, 金融PMにおける2つのユニークな課題に対処することを目的としている。(1) データの異種データ -- 資産毎の収集情報は通常, 多様性, ノイズ, 不均衡(ニュース記事など), (2) 環境の不確実性 -- 金融市場は多様で非定常である。
  論文  参考訳（メタデータ） (2020-02-09T08:10:03Z)

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。