論文の概要: Are LLMs Good Financial User Simulators? Multi-view Investor Logic Alignment (MILA)

• arxiv url: http://arxiv.org/abs/2609.15727v2
• Date: Mon, 21 Sep 2026 16:54:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 03:38:27.355544
• Title: Are LLMs Good Financial User Simulators? Multi-view Investor Logic Alignment (MILA)
• Title（参考訳）: LLMは優れた金融ユーザシミュレータか?マルチビューインベスター論理アライメント(MILA)
• Abstract要約: 大規模言語モデル (LLM) は, ユーザシミュレータとしてますます利用されているが, その予測が個々のユーザの進化する決定を忠実に再現するかどうかは不明である。 我々は,貿易発生から行動構造,資産選択,下流ポートフォリオの結果に至るまで,行動の忠実度を階層的に評価する。
• 参考スコア（独自算出の注目度）: 2.50104309758398
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) are increasingly used as user simulators, yet it remains unclear whether their predictions faithfully reproduce the evolving decisions of individual users. We investigate this question in a controlled longitudinal paper-trading study with 80 participants, where user interactions, simulated transactions, virtual portfolio states, and point-in-time market information are aligned under a rolling next-day prediction protocol. We evaluate behavioral fidelity hierarchically, from trade occurrence to action structure, asset selection, and downstream portfolio consequences. Across 1,239 aligned user-days, no evaluated LLM reliably outperforms a simple recent-activity persistence baseline for predicting whether a user trades. Fidelity further deteriorates at finer levels: models struggle to recover buy--sell structure and traded assets, and similar activity-level predictions can lead to substantially different portfolio trajectories. Controlled evidence ablations show that recent trading history strongly governs activity prediction, whereas asset selection is substantially more sensitive to the available evidence. An observational analysis further finds that intensified ticker-specific research predicts imminent trading, but diagnostic tests do not support a causal interpretation. These findings suggest that current LLMs capture useful short-term behavioral regularities without yet recovering a stable individual decision mechanism.
• Abstract（参考訳）: 大規模言語モデル (LLM) は, ユーザシミュレータとしてますます利用されているが, その予測が個々のユーザの進化する決定を忠実に再現するかどうかは不明である。 ユーザインタラクション, シミュレーショントランザクション, 仮想ポートフォリオ状態, ポイント・イン・タイム市場情報等を, 次世代の予測プロトコルの下で整列させる。 我々は,貿易発生から行動構造,資産選択,下流ポートフォリオの結果に至るまで,行動の忠実度を階層的に評価する。 1,239日にわたって、評価されたLCMは、ユーザが取引するかどうかを予測するための単純な最近の持続性ベースラインを確実に上回る。 モデルは買い買い構造と取引された資産の回収に苦慮し、同様の活動レベルの予測は、ポートフォリオの軌道を著しく異なるものにする可能性がある。 規制された証拠は、最近の取引履歴が活動予測を強く支配していることを示しているが、資産選択は利用可能な証拠にかなり敏感である。 観測分析により、ティッカー特異的な研究は差し迫った取引を予測するが、診断試験は因果解釈をサポートしないことがわかった。 これらの結果から,現在のLCMは,安定な個人決定機構を回復させることなく,短期的行動規則性を把握できることが示唆された。

関連論文リスト

• RetailAgent: Structured Adverse Timing in Self-Conditioned Multimodal LLM Trading Agents [14.77705318267562]
  金融市場では、価格変動に体系的に反応するシーケンシャルな政策は、他の市場参加者にとって予測可能である。 本稿では,大規模言語モデル (LLM) エージェントがRetailAgentを介してこのような方向性を示すかどうかを考察する。
  論文  参考訳（メタデータ） (2026-08-28T14:53:08Z)
• CN-Buzz2Portfolio: A Chinese-Market Dataset and Benchmark for LLM-Based Macro and Sector Asset Allocation from Daily Trending Financial News [21.498084305999992]
  大規模言語モデル(LLM)は、静的自然言語処理(NLP)タスクから動的意思決定エージェントへと急速に移行している。 直接のライブトレーディングは非生産的であり、スキルに幸運を抱くことによって結果バイアスを起こす傾向にあるが、既存の静的ベンチマークはエンティティレベルの株式選択に限定され、より広範な市場注目を無視することが多い。 この研究は、一般的な推論と金融決定の整合性に関する新たな洞察を与え、持続可能な金融エージェントの研究を促進するために、すべてのデータ、コード、実験がリリースされる。
  論文  参考訳（メタデータ） (2026-03-18T02:31:28Z)
• Behavioral Consistency Validation for LLM Agents: An Analysis of Trading-Style Switching through Stock-Market Simulation [37.95724732592611]
  我々は、金融市場シナリオを用いて、エージェントの戦略変更が金融理論と一致するかどうかをテストする。 本研究は, 長期保存と促進により設定された4つの行動金融ドライバー・アバージョン, ハーディング, 富の分化, 価格の相違を人格特性として運用する。 以上の結果から,最近のLCMのスイッチング動作は,挙動有限性理論と部分的に一致していることがわかった。
  論文  参考訳（メタデータ） (2026-02-02T09:25:10Z)
• PredictionMarketBench: A SWE-bench-Style Framework for Backtesting Trading Agents on Prediction Markets [0.0]
  PredictionMarketBenchは、予測市場におけるアルゴリズムおよびLLMベースのトレーディングエージェントの評価のためのSWEベンチスタイルのベンチマークである。 PredictionMarketBenchは、(i)生の交換ストリーム(注文帳、取引、ライフサイクル、決済)からのエピソード構築を標準化し、(ii)メーカー/テッカーセマンティクスと料金モデリングを備えた実行現実的なシミュレータ、(iii)ツールベースのエージェントインターフェースを標準化する。 暗号通貨、天気、スポーツにまたがるカルシをベースとした4つのエピソードを公表する。ベースラインの結果は、取引コストや決済損失により、ナイーブなトレーディングエージェントが過小評価され、一方、手数料を意識したアルゴリズム戦略は、不安定なエピソードにおいて競争力を維持していることを示している。
  論文  参考訳（メタデータ） (2026-01-28T06:41:12Z)
• 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)
• FinTSB: A Comprehensive and Practical Benchmark for Financial Time Series Forecasting [58.70072722290475]
  ファイナンシャル・タイム・シリーズ(FinTS)は、人間の脳を増強した意思決定の行動を記録する。 FinTSBは金融時系列予測のための総合的で実用的なベンチマークである。
  論文  参考訳（メタデータ） (2025-02-26T05:19:16Z)
• 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)
• Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
  長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。 多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。 深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。 本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-18T16:21:15Z)
• 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)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)

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。