論文の概要: FaVOR: LLM-Based Agentic Framework for Factor Mining via Empirical Validation

• arxiv url: http://arxiv.org/abs/2608.30192v1
• Date: Mon, 31 Aug 2026 03:16:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.208172
• Title: FaVOR: LLM-Based Agentic Framework for Factor Mining via Empirical Validation
• Title（参考訳）: FaVOR: 経験的検証による因子マイニングのためのLCMベースのエージェントフレームワーク
• Authors: Hyeonjin Kim, Minseok Kim, Seunghyeon Jung, Sujin Pyo, Huisu Jang, Woojin Lee,
• Abstract要約: 仮説レベルのエビデンスを取り巻く要素を再構成するエージェントフレームワークであるFaVORを提案する。 FaVORは、仮説に基づく因子発見が、建設、体制破壊、経済的に忠実な信号を生み出すことを示している。
• 参考スコア（独自算出の注目度）: 12.033028725947622
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional finance relies on experts to hand-craft factors through a principled process grounded in economic rationale. Recent LLM-based multi-agent systems have automated this process, scaling factor mining far beyond manual effort. However, these automated approaches optimize directly for returns and rarely check whether a generated factor still expresses the economic hypothesis that motivated it. We identify this inconsistency between mathematical form and economic meaning as a structural failure mode of return-oriented automation. The resulting factors blur the line between real signals and spurious correlations and break down across regime shifts. We propose FaVOR (Factor Validation through Observable Reasoning), an agentic framework that restructures factor mining around hypothesis-level evidence rather than return outcomes. In place of the standard hypothesis-to-formula leap, FaVOR enforces a three-stage consistency loop tying mathematical form to economic rationale throughout. (1) Decomposition splits a broad economic hypothesis into independent observable conditions. (2) Validation checks whether each factor reflects its intended condition. (3) Integration merges them into a composite whose structure remains interpretable. On the CSI 500 and S&P 500 in 2025, FaVOR outperforms existing baselines while remaining effective across regimes. FaVOR shows that hypothesis-grounded factor discovery produces signals that are interpretable by construction, regime-robust, and economically faithful. The code is available at https://github.com/damilab/FaVOR.
• Abstract（参考訳）: 伝統的金融は、経済的理性に基づく原則化されたプロセスを通じて、専門家に手工芸の要素を頼りにしている。 最近のLLMベースのマルチエージェントシステムは、このプロセスを自動化し、スケーリングファクターマイニングは手作業以上のものになっている。 しかし、これらの自動化されたアプローチはリターンを直接最適化し、生成した要因がそれを動機づけた経済仮説をまだ表しているかどうかをほとんどチェックしない。 我々は、この数学的形式と経済的意味の矛盾を、リターン指向の自動化における構造的失敗モードとして認識する。 結果として生じる要因は、実際の信号と急激な相関関係の境界線を曖昧にし、レギュラーシフトをまたいで分解する。 提案するFaVOR(Factor Validation through Observable Reasoning)は,仮説レベルのエビデンスを再現するエージェントフレームワークである。 標準的な仮説から形式への跳躍の代わりに、FaVORは3段階の一貫性ループを適用し、数学的形式を経済的な理性に結びつける。 1)解体は、広い経済仮説を独立した可観測条件に分割する。 2)検証は,各因子が意図した条件を反映するかどうかを確認する。 (3) 統合はそれらを、構造が解釈可能な複合体に結合する。 2025年のCSI 500とS&P 500では、FaVORは既存のベースラインよりも優れ、政権全体で有効である。 FaVORは、仮説に基づく因子発見が、建設、体制破壊、経済的に忠実な信号を生み出すことを示している。 コードはhttps://github.com/damilab/FaVOR.comで公開されている。

関連論文リスト

• LC-ERD: Mining Latent Logic for Self-Evolving Reasoning via Consistency-Regulated Reward Decomposition [55.572260012037084]
  本稿では, LC-ERD (Logic-Consistent Endogenous Reward Decomposition) を紹介する。 モデルの潜在論理エキスパートズ(Latent Logic Expertise)からのコンセンサスを集約することで、変分論理ポテンシャルを導出する。 LC-ERDは、論理の一貫性と正確性の間のトレードオフを明らかにする、堅牢な自己進化パスを提供する。
  論文  参考訳（メタデータ） (2026-05-19T07:27:50Z)
• CasualSynth: Generating Structurally Sound Synthetic Data [44.80087038178069]
  大言語モデル(LLM)は、現実的な合成データを生成するが、その出力がターゲットドメインを管理する因果的メカニズムを尊重することを保証しない。 本稿では,意味的実現から因果構造の生成を分離するフレームワークCausal Synthを紹介し,因果的妥当性と言語学的にリッチな合成データを生成する。
  論文  参考訳（メタデータ） (2026-05-17T16:21:01Z)
• AlphaCrafter: A Full-Stack Multi-Agent Framework for Cross-Sectional Quantitative Trading [26.48283300875701]
  収益性を維持する定量的戦略を構築するには、ファクター発見、システマティブ・アダプティブ・セレクション、リスク制約のある実行の継続的な結合が必要である。 AlphaCrafterはフルスタックのマルチエージェントフレームワークで、継続的適応型ファクター・ツー・エグゼクティブパイプラインを通じてこのギャップを埋めます。 CSI 300とS&P 500の実験では、AlphaCrafterはリスク調整リターンにおいて、最先端のベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-05-07T01:58:30Z)
• Harness as an Asset: Enforcing Determinism via the Convergent AI Agent Framework (CAAF) [0.0]
  大規模言語モデルは、安全クリティカルエンジニアリングにおける制御可能性のギャップを生み出します。 本稿では,エージェントをオープンループ生成からクローズループフェールセーフ決定性に移行するConvergent AI Agent Framework(CAAF)を紹介する。 CAAFの3つの柱は相補的な故障面に対処し、コモディティコストで制御可能性ギャップを閉じることはない。
  論文  参考訳（メタデータ） (2026-04-18T15:15:09Z)
• FactorEngine: A Program-level Knowledge-Infused Factor Mining Framework for Quantitative Investment [22.43322983799291]
  FactorEngine(FE)は、Turing完全コードとしてファクタをキャストする。 FEは、構造化されていない財務報告を実行可能なファクタープログラムに変換する。 FEは、予測安定性とポートフォリオへの影響が著しく強い要因を生み出します。
  論文  参考訳（メタデータ） (2026-03-17T10:51:30Z)
• CausalFlip: A Benchmark for LLM Causal Judgment Beyond Semantic Matching [50.65932158912512]
  そこで我々は,新しい大言語モデルの開発を促進するために,因果推論ベンチマークCausalFlipを提案する。 CaulFlipは、イベントトリプル上に構築された因果判断の質問で構成されており、共同創設者、チェーン、コライダーの関係が異なっている。 回答のみのトレーニング,明示的なチェーン・オブ・ソート監視,そして内在型因果推論アプローチなどを含む,複数の訓練パラダイムによるLCMの評価を行った。
  論文  参考訳（メタデータ） (2026-02-23T18:06:15Z)
• Are Reasoning LLMs Robust to Interventions on Their Chain-of-Thought? [79.86483056611105]
  推論 LLM は、答えを出す前にステップバイステップの思考連鎖を生成する。 これらの推論は、その内部で発生する破壊の痕跡をどれほど堅牢にしていますか? 一定のタイミングでモデル自身のCoTを摂動させる制御された評価フレームワークを導入する。
  論文  参考訳（メタデータ） (2026-02-07T10:02:58Z)
• Towards Comprehensive Stage-wise Benchmarking of Large Language Models in Fact-Checking [64.97768177044355]
  大規模言語モデル(LLM)は、現実のファクトチェックシステムにますます多くデプロイされている。 FactArenaは、完全に自動化されたアリーナスタイルの評価フレームワークである。 本研究では,静的クレーム検証精度とエンドツーエンドのファクトチェック能力の相違点を明らかにした。
  論文  参考訳（メタデータ） (2026-01-06T02:51:56Z)
• The 4/$δ$ Bound: Designing Predictable LLM-Verifier Systems for Formal Method Guarantee [5.345468714252351]
  この研究は LLM-Verifier Convergence Theorem の開発によってギャップを埋める。 LLMと検証器の相互作用を離散時間マルコフ連鎖としてモデル化する。 われわれはこの予測を90,000件以上の治験を含む広範囲な実証キャンペーンでストレステストした。
  論文  参考訳（メタデータ） (2025-11-30T22:19:09Z)
• Disentanglement of Correlated Factors via Hausdorff Factorized Support [53.23740352226391]
  本稿では,因子分布ではなく,因子化支援を助長する緩やかな解離基準,HFS(Hausdorff Factorized Support)基準を提案する。 本研究では,HFSを用いることにより,様々な相関設定やベンチマークにおいて,接地構造因子の絡み合いと回復が一貫して促進されることを示す。
  論文  参考訳（メタデータ） (2022-10-13T20:46:42Z)
• Nested Counterfactual Identification from Arbitrary Surrogate Experiments [95.48089725859298]
  観測と実験の任意の組み合わせからネスト反事実の同定について検討した。 具体的には、任意のネストされた反事実を非ネストされたものへ写像できる反ファクト的非ネスト定理(英語版)(CUT)を証明する。
  論文  参考訳（メタデータ） (2021-07-07T12:51:04Z)

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。