論文の概要: Agent Memory with Episodic Retrieval for Financial Decision-Making

• arxiv url: http://arxiv.org/abs/2609.28771v1
• Date: Wed, 23 Sep 2026 20:32:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.54613
• Title: Agent Memory with Episodic Retrieval for Financial Decision-Making
• Title（参考訳）: 金融意思決定のためのエピソード検索型エージェントメモリ
• Abstract要約: 本稿では,最初のRAGライクなエピソードメモリ拡張マルチエージェントフレームワークであるMemory Enhanced Trading Agentを紹介した。 METAは、特殊な指標エージェントのファミリーと、レポートを融合する決定エージェントと、META状態埋め込みとしてエンコードされた過去のトレーディングエピソードを検索して更新するメモリモジュールを統合する。 この結果から,エピソード記憶は,取引や意思決定において,レギュラーアウェア,解釈可能,低レイテンシな意思決定のための強力なメカニズムを提供することが示された。
• 参考スコア（独自算出の注目度）: 8.96048774311742
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) have demonstrated strong capabilities in financial analysis and reasoning, inspiring recent advances in agent-based trading frameworks. While these systems show promise, prior approaches either emphasize long-horizon forecasting or operate as stateless analyzers, limiting their applicability to the demands of trading in complicated settings. To address these gaps, we introduce META (Memory Enhanced Trading Agent), the first RAG-like episodic-memory-augmented multi-agent framework for financial decision making. META integrates a family of specialized indicator agents (e.g., Trend, MACD, Stochastic, RSI, SMA, AVWAP, Heikin-Ashi) with a Decision Agent that fuses their reports, and a Memory module that retrieves and updates past trading episodes encoded as market state embeddings with outcomes and reflections. By recalling relevant experiences and adaptively reweighting signals under similar market regimes, META achieves improved directional accuracy and robustness under short-horizon evaluation. Our results demonstrate that episodic memory provides a powerful mechanism for regime-aware, interpretable, and low-latency decision-making in trading and decision making. The code of this project is released on GitHub.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、金融分析と推論において強力な能力を示し、エージェントベースのトレーディングフレームワークの最近の進歩を刺激している。 これらのシステムは将来性を示しているが、以前のアプローチでは長期の予測を強調したり、ステートレスアナライザとして運用したりし、複雑な環境でのトレーディングの要求に対する適用性を制限していた。 これらのギャップに対処するために、最初のRAGライクなエピソードメモリ拡張マルチエージェントフレームワークであるMETA(Memory Enhanced Trading Agent)を導入する。 METAは、特別な指標エージェント(例えば、トレンド、MACD、確率、RSI、SMA、AVWAP、Heikin-Ashi)のファミリーと、レポートを融合する決定エージェントと、結果とリフレクションを伴う市場状態埋め込みとして符号化された過去のトレーディングエピソードを検索および更新するメモリモジュールを統合している。 類似の市場体制下で、関連する経験を思い出し、適応的に信号を再重み付けすることにより、METAは、短期水平評価の下で、方向精度とロバスト性を向上する。 この結果から,エピソード記憶は,取引や意思決定において,レギュラーアウェア,解釈可能,低レイテンシな意思決定のための強力なメカニズムを提供することが示された。 プロジェクトのコードはGitHubで公開されている。

関連論文リスト

• EvolveTrade: Experience-Driven Policy Refinement for Self-Evolving LLM Trading Agents [50.945280070424694]
  大規模言語モデル(LLM)トレーディングエージェントは、市場データ、ニュース、実行可能な分析を組み合わせることができる。 それらの振る舞いは、しばしば、デプロイ前に修正された静的手書きのツール使用ポリシーによって制御される。 本稿では,ツールを用いたトレーディングエージェントのシステムプロンプトをテキストパラメータ化ポリシとして扱う自己進化型フレームワークであるEvolveTradeを紹介する。
  論文  参考訳（メタデータ） (2026-09-15T10:35:18Z)
• Design and Empirical Study of a Large Language Model-Based Multi-Agent Investment System for Chinese Public REITs [5.339049926920038]
  本研究では,マルチエージェント協調に基づく大規模言語モデル(LLM)によるトレーディングフレームワークを提案する。 このシステムは4種類の分析エージェント、イベント、価格運動量、異なる次元の市場分析を統合している。
  論文  参考訳（メタデータ） (2026-01-22T16:35:27Z)
• AgentPRM: Process Reward Models for LLM Agents via Step-Wise Promise and Progress [71.02263260394261]
  大規模言語モデル(LLM)は、マルチターン意思決定タスクにおいて依然として課題に直面している。 プロセス報酬モデル(PRM)を構築し、各意思決定を評価し、エージェントの意思決定プロセスを導く。 AgentPRMは、シーケンシャルな決定と最終的な目標への貢献の間の相互依存の両方をキャプチャする。
  論文  参考訳（メタデータ） (2025-11-11T14:57:54Z)
• 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)
• Trade in Minutes! Rationality-Driven Agentic System for Quantitative Financial Trading [57.28635022507172]
  TiMiは、アーキテクチャ上、戦略開発を分単位のデプロイメントから切り離す合理性駆動型マルチエージェントシステムである。 本稿では,マクロパターンからマイクロカスタマイズ,トレーディングボット実装のための階層型プログラミング設計,数学的リフレクションによって駆動されるクローズドループ最適化までの2層解析パラダイムを提案する。
  論文  参考訳（メタデータ） (2025-10-06T13:08:55Z)
• TradingGroup: A Multi-Agent Trading System with Self-Reflection and Data-Synthesis [15.865159423176982]
  TradingGroupは、セルフリフレクティブアーキテクチャとエンドツーエンドのデータ合成パイプラインを通じて制限に対処するために設計されたマルチエージェントトレーディングシステムである。 TradingGroupは、ニュース感情分析、財務報告解釈、株価トレンド予測、トレーディングスタイル適応、トレーディング意思決定エージェントのための専門エージェントで構成されている。 具体的には、ストック予測、スタイル、意思決定エージェントのための自己回帰機構を設計し、過去の成功と失敗を、類似した将来のシナリオで同様の推論のために蒸留する。
  論文  参考訳（メタデータ） (2025-08-25T00:29:58Z)
• 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)
• 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)
• FinMem: A Performance-Enhanced LLM Trading Agent with Layered Memory and Character Design [11.913409501633616]
  textscFinMemは、金融上の意思決定のために考案された新しいLLMベースのエージェントフレームワークである。 textscFinMemのメモリモジュールは、人間のトレーダーの認知構造と密接に一致し、堅牢な解釈性を提供する。 このフレームワークは、エージェントが専門知識を自己開発し、新しい投資方法にアジャイルに反応し、取引決定を継続的に洗練することを可能にする。
  論文  参考訳（メタデータ） (2023-11-23T00:24:40Z)

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。