論文の概要: Artificial Intelligence in Equity and Crypto Markets: Progress, Profitability Evidence, and the Limits of Automated Investing

• arxiv url: http://arxiv.org/abs/2609.04917v1
• Date: Fri, 04 Sep 2026 09:19:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.994222
• Title: Artificial Intelligence in Equity and Crypto Markets: Progress, Profitability Evidence, and the Limits of Automated Investing
• Title（参考訳）: 株式・暗号市場における人工知能の進歩, 収益性証拠, 自動投資の限界
• Abstract要約: しかし、技術的能力は投資収益性の証拠ではない。 このレビューでは2026年8月31日までに上場株式、為替取引資金、中央集権暗号スポット、永遠の先物、およびオンチェーン市場に関する公開研究について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence (AI) now supports investment workflows from data and prediction through research, portfolios, execution, and tool use. Technical capability, however, is not evidence of investment profitability. This critical state-of-the-art review examines public research available through 31 August 2026 on listed equities, exchange-traded funds, centralized crypto spot, perpetual futures, and on-chain markets. We organize evidence with an alpha-translation chain: point-in-time information must yield a stable signal, feasible positions, executable orders, and risk-adjusted returns after costs. Across machine learning, time-series foundation models, financial language models, reinforcement learning, and agents, the examined record shows real but mainly upstream progress in prediction, text processing, portfolio design, and workflow integration. Evidence is thinner for durable net performance. Temporal contamination, repeated selection, survivorship, weak benchmarks, implementation costs, venue mechanics, and capacity can break translation to net alpha. Strong historical results coexist with predictor decay, corrected look-ahead failures, mixed prospective evidence, and few audited live-capital records. Crypto adds informative state but requires separate treatment of spot, perpetual, and decentralized cash flows and execution. Within the public evidence examined here, no general AI architecture is shown to deliver persistent, cross-regime, capacity-aware net alpha. More credible claims require point-in-time data and models, decision-aligned objectives, joint portfolio--execution evaluation, controlled adaptation, prospective tests, and authority-matched governance. These conditions can improve evidence and implementation; they do not guarantee profit.
• Abstract（参考訳）: 人工知能(AI)は、研究、ポートフォリオ、実行、ツール使用を通じて、データからの投資ワークフローと予測をサポートする。 しかし、技術的能力は投資収益性の証拠ではない。 この批判的調査は2026年8月31日までに上場株式、為替取引資金、中央集権的暗号スポット、永遠の先物、およびオンチェーン市場に関する公開研究を検証している。 ポイント・イン・タイムの情報は、安定した信号、実現可能な位置、実行可能な順序、そしてコストの後にリスク調整されたリターンをもたらす必要がある。 機械学習、時系列ファンデーションモデル、金融言語モデル、強化学習、エージェントを通じて、調査された記録は、予測、テキスト処理、ポートフォリオ設計、ワークフロー統合における実際の、しかし主に上流の進歩を示している。 エビデンス(エビデンス)は、耐久性のあるネットパフォーマンスのために薄くなっている。 時間的汚染、繰り返しの選択、生存、弱いベンチマーク、実装コスト、会場力学、能力はネットアルファへの翻訳を壊す可能性がある。 強い歴史的結果と予測的崩壊、修正されたルックアヘッドの失敗、混在した予測的証拠、監査されたライブキャピトルの記録とが共存した。 Cryptoは情報的状態を追加するが、スポット、永久、分散キャッシュフローと実行を別々に扱う必要がある。 ここで検証された公開エビデンスの中では、一般的なAIアーキテクチャが永続的でクロスレジ、キャパシティ対応のネットアルファを提供することを示すものはありません。 より信頼できるクレームには、ポイントインタイムのデータとモデル、意思決定に沿った目標、共同ポートフォリオ-実行評価、制御された適応、予測テスト、権限に適合したガバナンスが必要です。 これらの条件はエビデンスと実装を改善することができ、利益を保証しません。

関連論文リスト

• Reading Is Not Using: Retrieval, Judgment, and the Design of AI Financial Research Workflows [7.410179371973137]
  大規模言語モデル(LLM)は、財務開示を処理するためのAIアナリストとして、ますます多くデプロイされている。 長文財務分析における検索積分ギャップを同定する。 リスク開示が投資判断に与える影響は、実験的なノイズフロアに該当することがわかった。
  論文  参考訳（メタデータ） (2026-08-25T17:31:25Z)
• 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)
• CryptoBench: A Dynamic Benchmark for Expert-Level Evaluation of LLM Agents in Cryptocurrency [60.83660377169452]
  本稿では,Large Language Model (LLM)エージェントの現実的能力を厳格に評価するために設計された,最初の専門家による動的ベンチマークであるCryptoBenchを紹介する。 検索と予測のための汎用エージェントベンチマークとは異なり、プロの暗号分析は特定の課題を提示する。
  論文  参考訳（メタデータ） (2025-11-29T09:52:34Z)
• Making LLMs Reliable When It Matters Most: A Five-Layer Architecture for High-Stakes Decisions [51.56484100374058]
  現在の大規模言語モデル(LLM)は、実行前にアウトプットをチェックできるが、不確実な結果を伴う高い戦略決定には信頼性が低い検証可能な領域で優れている。 このギャップは、人間と人工知能(AI)システムの相互認知バイアスによって引き起こされ、そのセクターにおける評価と投資の持続可能性の保証を脅かす。 本報告では、7つのフロンティアグレードLDMと3つの市場向けベンチャーヴィグネットの時間的圧力下での系統的質的評価から生まれた枠組みについて述べる。
  論文  参考訳（メタデータ） (2025-11-10T22:24:21Z)
• FutureX: An Advanced Live Benchmark for LLM Agents in Future Prediction [92.7392863957204]
  FutureXは、将来の予測のための最大かつ最も多様なライブベンチマークである。 リアルタイムの日次更新をサポートし、質問収集と回答収集のための自動パイプラインを通じてデータの汚染を取り除く。 推論,検索機能,外部ツールの統合などを含む25のLLM/エージェントモデルを評価した。
  論文  参考訳（メタデータ） (2025-08-16T08:54:08Z)
• Your AI, Not Your View: The Bias of LLMs in Investment Analysis [62.388554963415906]
  金融において、Large Language Models (LLMs) は、事前訓練されたパラメトリック知識とリアルタイム市場データとの相違から生じる、頻繁な知識紛争に直面している。 これらの対立は、モデル固有のバイアスが制度的目的と誤認される現実世界の投資サービスにおいて特に問題となる。 本研究では,このような紛争シナリオにおける創発的行動を調べるための実験的枠組みを提案し,投資分析におけるバイアスの定量的分析を行う。
  論文  参考訳（メタデータ） (2025-07-28T16:09:38Z)
• Ai-Driven Vulnerability Analysis in Smart Contracts: Trends, Challenges and Future Directions [0.2797210504706914]
  数値オーバーフロー、再侵入攻撃、不正アクセス許可などの脆弱性は、数百万ドルの損失をもたらしている。 従来のスマートコントラクト監査技術は、拡張性、自動化、開発パターンの進化への適応性の制限に直面しています。 本稿では、機械学習、ディープラーニング、グラフニューラルネットワーク、トランスフォーマーベースモデルに焦点をあて、スマートコントラクトにおける脆弱性検出のための新しいAI駆動技術について検討する。
  論文  参考訳（メタデータ） (2025-06-07T09:44:26Z)
• Deriving Strategic Market Insights with Large Language Models: A Benchmark for Forward Counterfactual Generation [55.2788567621326]
  本稿では,FIN-FORCE-FINancial Forward Counterfactual Evaluationを提案する。 FIN-FORCEは金融ニュースの見出しをまとめることで、LLMベースの対実生成を支援する。 これにより、将来の市場展開を探索し、予測するためのスケーラブルで自動化されたソリューションの道を開くことができる。
  論文  参考訳（メタデータ） (2025-05-26T02:41:50Z)
• FinRobot: AI Agent for Equity Research and Valuation with Large Language Models [6.2474959166074955]
  本稿では、エクイティリサーチに特化したAIエージェントフレームワークであるFinRobotについて述べる。 FinRobotはマルチエージェント・チェーン・オブ・シント(CoT)システムを採用し、定量分析と定性的分析を統合し、人間のアナリストの包括的な推論をエミュレートする。 CapitalCubeやWright Reportsのような既存の自動研究ツールとは異なり、FinRobotは大手ブローカー会社や基礎研究ベンダーと同等の洞察を提供する。
  論文  参考訳（メタデータ） (2024-11-13T17:38:07Z)
• AlphaFin: Benchmarking Financial Analysis with Retrieval-Augmented Stock-Chain Framework [48.3060010653088]
  我々はAlphaFinデータセットをリリースし、従来の研究データセット、リアルタイム財務データ、手書きのチェーン・オブ・プリート(CoT)データを組み合わせています。 次に、AlphaFinデータセットを使用して、金融分析タスクを効果的に処理するために、Stock-Chainと呼ばれる最先端の手法をベンチマークします。
  論文  参考訳（メタデータ） (2024-03-19T09:45:33Z)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [48.87381259980254]
  我々は、ChatGPTのような大規模言語モデル(LLM)が、直接の金融トレーニングなしでニュースの見出しから株式市場の反応を予測する能力について文書化している。 GPT-4は、認識後カットオフの見出しを使って、最初の市場の反応を捉え、取引不能な初期反応に対して、ポートフォリオの1日当たりのヒット率を約90%達成している。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)
• Stock Broad-Index Trend Patterns Learning via Domain Knowledge Informed Generative Network [2.1163070161951865]
  本稿では、市場固有の特性を意図的に設計したインデックスGANを提案する。 また、実数列と予測列の間のワッサーシュタイン距離を近似するために批判を利用する。
  論文  参考訳（メタデータ） (2023-02-27T21:56:56Z)

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。