論文の概要: Why Better Models Can Create Riskier Systems: Evidence from LLM Agents in Financial Markets

• arxiv url: http://arxiv.org/abs/2609.04373v1
• Date: Thu, 03 Sep 2026 18:37:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.793538
• Title: Why Better Models Can Create Riskier Systems: Evidence from LLM Agents in Financial Markets
• Title（参考訳）: より良いモデルがよりリスクの高いシステムを創出できる理由:金融市場におけるLCMエージェントの証拠
• Abstract要約: 大規模言語モデル(LLM)は、連続現実システムにおいて大規模に展開されている。 システムレベルの結果を改善するのではなく、個々のモデル能力を改善することが示される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) are being deployed at scale in consequential real-world systems, from financial markets to content moderation to hiring. We show that improving individual model capability can degrade rather than improve system-level outcomes. We hypothesize that shared training and architectures can lead more capable LLMs to behave more similarly, creating correlated actions that do not diversify away. We develop a general framework showing how this correlation creates a non-diversifiable risk floor and test its predictions in financial markets using an agent-based simulation with LLM traders of varying general-purpose capability. We find that: (1) frontier LLMs exhibit significantly correlated behavior that increases with capability; (2) when their shared reasoning is accurate, increasing agent participation reduces market-level risk; and (3) when agents share a common misinformation environment, the same correlated behavior becomes a liability. Together, these results identify a capability paradox: improving individual models does not necessarily produce better system-level outcomes. Whether the same dynamics arise in other domains is an open empirical question.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、金融市場からコンテンツモデレーション、雇用に至るまで、連続した現実世界システムで大規模に展開されている。 システムレベルの結果を改善するのではなく、個々のモデル能力を改善することが示される。 私たちは、共有トレーニングとアーキテクチャが、より有能なLCMに、より同じように振る舞うことができる、という仮説を立てています。 我々は,この相関関係が多様性のないリスクフロアをいかに生み出すかを示す汎用フレームワークを開発し,LLMトレーダーによる様々な汎用能力のエージェントベースシミュレーションを用いて,金融市場での予測を検証した。 その結果,(1)フロンティアのLCMは能力によって増大する顕著な相関行動を示し,(2)共有推論が正確である場合,エージェントの参加が増加すると市場レベルのリスクが減少し,(3)エージェントが共通の誤情報環境を共有している場合,同じ相関行動が障害となることがわかった。 個々のモデルを改善することは必ずしもシステムレベルのより良い結果をもたらすとは限らない。 他の領域で同じダイナミクスが生じるかどうかは、オープンな経験的問題である。

関連論文リスト

• Do LLMs Take Care of Their Own? Similarity Signals Can Induce Cooperation [29.79569269141268]
  本稿では,エージェントに次数的類似性信号が付与された場合のLCM判定のための第1の枠組みを提案する。 異なるLLMモデルは、類似性信号のナビゲート方法に大きく異なることがわかった。 実験により、類似性信号が計算されたデータセットは、誘導的協調にほとんど影響しないことが示された。
  論文  参考訳（メタデータ） (2026-08-12T14:47:15Z)
• Could Large Language Models work as Post-hoc Explainability Tools in Credit Risk Models? [1.3253687170778101]
  ポストホックな説明責任は信用リスクモデルガバナンスの中心である。 本稿では,大規模言語モデル(LLM)が,コンテキスト内学習による信用リスク予測のためのポストホック説明可能性ツールとして機能するかどうかを検討する。
  論文  参考訳（メタデータ） (2026-02-21T16:35:06Z)
• 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)
• LLMs Can't Handle Peer Pressure: Crumbling under Multi-Agent Social Interactions [35.71511502901056]
  大規模言語モデル(LLM)は、コラボレーションインテリジェンスのコンポーネントとして、マルチエージェントシステムにますます多くデプロイされている。 LLMが過去の印象からの信頼をいかに形成し、誤報に抵抗し、相互作用中にピアインプットを統合するかを検討する。 KAIROSは、クイズコンテストをシミュレーションするベンチマークで、信頼性の異なるピアエージェントを提示する。
  論文  参考訳（メタデータ） (2025-08-24T09:58:10Z)
• To Trade or Not to Trade: An Agentic Approach to Estimating Market Risk Improves Trading Decisions [0.0]
  大規模言語モデル(LLM)はますますエージェントフレームワークにデプロイされている。 我々は LLM を用いて金融時系列の微分方程式を反復的に発見するエージェントシステムを開発した。 モデルインフォームドトレーディング戦略は標準LLMエージェントよりも優れていた。
  論文  参考訳（メタデータ） (2025-07-11T13:29:32Z)
• Corrupted by Reasoning: Reasoning Language Models Become Free-Riders in Public Goods Games [87.5673042805229]
  大規模言語モデルは、アライメント、堅牢性、安全なデプロイメントを保証する上で、いかに自己関心と集合的幸福のバランスをとるかが重要な課題である。 我々は、行動経済学から制度的に選択した公共財ゲームに適応し、異なるLLMがいかに社会的ジレンマをナビゲートするかを観察することができる。 意外なことに、o1シリーズのようなLCMの推論は、協調にかなり苦労している。
  論文  参考訳（メタデータ） (2025-06-29T15:02:47Z)
• Trust, But Verify: A Self-Verification Approach to Reinforcement Learning with Verifiable Rewards [67.86091419220816]
  大規模言語モデル(LLM)は複雑な推論において非常に有望である。 一般的な問題は表面的な自己回帰であり、モデルが自身の出力をしっかりと検証できない。 本稿では、RISE(Reinforce Reasoning with Self-Verification)という新しいオンラインRLフレームワークについて紹介する。
  論文  参考訳（メタデータ） (2025-05-19T17:59:31Z)
• Shifting Power: Leveraging LLMs to Simulate Human Aversion in ABMs of Bilateral Financial Exchanges, A bond market study [15.379345372327375]
  TRIBEは、大きな言語モデル(LLM)を付加したエージェントベースのモデルで、取引環境における人間のような意思決定をシミュレートする。 人為的な変動性の導入は、パワーダイナミクスをクライアントにシフトさせ、システム全体に不均等に影響を及ぼすことを示した。
  論文  参考訳（メタデータ） (2025-03-01T03:15:13Z)
• 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)
• 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)
• Efficient Model-based Multi-agent Reinforcement Learning via Optimistic Equilibrium Computation [93.52573037053449]
  H-MARL (Hallucinated Multi-Agent Reinforcement Learning) は,環境と数回交流した後の平衡政策を学習する。 自律運転シミュレーションベンチマークにおいて,本手法を実験的に実証した。
  論文  参考訳（メタデータ） (2022-03-14T17:24:03Z)

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。