論文の概要: Self-Evolving Multi-Agent Symbolic Discovery for Financial Fundamental Analysis

• arxiv url: http://arxiv.org/abs/2609.32746v1
• Date: Sat, 26 Sep 2026 16:05:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 20:45:08.598959
• Title: Self-Evolving Multi-Agent Symbolic Discovery for Financial Fundamental Analysis
• Title（参考訳）: 金融基礎分析のための自己進化型マルチエージェントシンボリックディスカバリ
• Abstract要約: 金融における記号発見のための階層型多エージェントフレームワークMUFASAを提案する。 複数の国のデータセットを対象とした実験は、MUFASAが評価タスクで最先端のパフォーマンスを達成することを示している。
• 参考スコア（独自算出の注目度）: 21.278148032309055
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While symbolic regression (SR) has been successfully used in science to discover new equations, its use in financial valuation is hindered by several limitations. Whereas the natural sciences provide objectively correct relationships, financial valuation constitutes a distinct class of symbolic discovery problems, as it admits multiple valid perspectives, operates under non-stationary market conditions, and involves noisy, continuous performance signals. In this work, we propose Multi-Agent Fundamental Analysis with Symbolic Adaptive learning (MUFASA), a hierarchical multi-agent framework for symbolic discovery in finance. MUFASA introduces (1) disentangled equation discovery via specialized agents representing distinct valuation perspectives, (2) a meta-coordinator that performs hierarchical-level reasoning over market context information, and (3) a memory mechanism that reasons over statistical performance summaries (e.g., accuracy, stability, and tail risk) to guide learning under noisy feedback. Experiments across datasets from multiple countries show that MUFASA achieves state-of-the-art performance on the valuation task compared to classical finance methods, financial large language models, and SR approaches, while simultaneously producing interpretable equations, which we share with the community. We also make publicly available the distilled learnings across evolution iterations and context-dependent strategy weights, which might offer useful insights for future research on financial fundamental analysis.
• Abstract（参考訳）: 記号回帰(SR)は科学において新しい方程式の発見に成功しているが、財務評価におけるその使用はいくつかの制限によって妨げられている。 自然科学が客観的に正しい関係を提供するのに対し、財務評価は、複数の有効な視点を認め、非定常的な市場条件の下で活動し、ノイズで連続的なパフォーマンス信号を含む、象徴的な発見問題の別のクラスを構成する。 本研究では,金融における記号発見のための階層型多エージェントフレームワークMUFASAを提案する。 MUFASAは,(1)異なる評価視点を表現した特殊エージェントによる不整合方程式の発見,(2)市場コンテキスト情報に対する階層的推論を行うメタコーディネータ,(3)統計的パフォーマンスサマリー(例えば,精度,安定性,テールリスク)を考慮に入れた記憶機構を導入し,ノイズフィードバック下での学習をガイドする。 複数の国のデータセットを対象とした実験により、MUFASAは古典的金融手法、金融大言語モデル、SRアプローチと比較して、評価タスクにおける最先端のパフォーマンスを達成し、同時にコミュニティと共有する解釈可能な方程式を生み出している。 また、進化の反復と文脈に依存した戦略重みによる蒸留学習を公開し、将来の金融基本分析研究に有用な洞察を提供するかもしれない。

関連論文リスト

• MEME: Modeling the Evolutionary Modes of Financial Markets [11.120179118542518]
  本稿では,進化する論理のレンズを通して市場ダイナミクスを再構築するMEMEを紹介する。 MEMEは、ノイズの多いデータを高忠実な投資条件に変換するためにマルチエージェント抽出モジュールを使用している。 2023年から2025年までの3つの異質な中国のストックプールの実験では、MEMEが7つのSOTAベースラインを一貫して上回っていることが示されている。
  論文  参考訳（メタデータ） (2026-02-12T13:16:05Z)
• FinSight: Towards Real-World Financial Deep Research [68.31086471310773]
  FinSightは、高品質でマルチモーダルな財務報告を作成するための新しいフレームワークである。 プロフェッショナルグレードの可視化を確保するため,反復視覚強調機構を提案する。 2段階のBinging Frameworkは、簡潔な分析セグメントをコヒーレント、引用認識、マルチモーダルレポートに拡張する。
  論文  参考訳（メタデータ） (2025-10-19T14:05:35Z)
• 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)
• FinAgentBench: A Benchmark Dataset for Agentic Retrieval in Financial Question Answering [57.18367828883773]
  FinAgentBenchは、ファイナンスにおける多段階推論によるエージェント検索を評価するためのベンチマークである。 このベンチマークは、S&P-500上場企業に関する26Kのエキスパートアノテート例から成っている。 我々は,最先端モデルの集合を評価し,対象の微調整がエージェント検索性能を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2025-08-07T22:15:22Z)
• The Evolution of Alpha in Finance Harnessing Human Insight and LLM Agents [0.0]
  市場ベンチマークを上回るアルファリターンの探索は、大きな変革を遂げた。 本稿では,この進歩を辿る5段階の分類を包括的に紹介する。 提案された分類学は、成熟度を評価し、インフラを整合させ、次世代アルファシステムの責任ある開発を導く統一的な枠組みを提供する。
  論文  参考訳（メタデータ） (2025-05-20T00:51:43Z)
• Explaining the Unexplainable: A Systematic Review of Explainable AI in Finance [0.0]
  本稿では、金融におけるXAI応用の変遷状況について概観する。 トピック・クラスタ、重要な研究、そして金融業界でよく使われる説明可能性戦略を見つける。
  論文  参考訳（メタデータ） (2025-03-07T22:36:44Z)
• 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)
• Stock Embeddings: Learning Distributed Representations for Financial Assets [11.67728795230542]
  本稿では,過去のリターンデータのダイナミクスを利用する,ストック埋め込みのトレーニングのためのニューラルモデルを提案する。 当社のアプローチを詳細に説明し、金融分野で使用可能ないくつかの方法について論じる。
  論文  参考訳（メタデータ） (2022-02-14T15:39:06Z)
• Gaussian process imputation of multiple financial series [71.08576457371433]
  金融指標、株価、為替レートなどの複数の時系列は、市場が潜んでいる状態に依存しているため、強く結びついている。 金融時系列間の関係を多出力ガウスプロセスでモデル化することで学習することに注力する。
  論文  参考訳（メタデータ） (2020-02-11T19:18:18Z)

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。