論文の概要: RICE-Alpha: Reliability-Informed Correction with Event Graphs for LLM-Agent Stock Forecasting
- arxiv url: http://arxiv.org/abs/2609.34004v1
- Date: Sun, 27 Sep 2026 23:03:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:25.904282
- Title: RICE-Alpha: Reliability-Informed Correction with Event Graphs for LLM-Agent Stock Forecasting
- Title（参考訳）: RICE-Alpha: LLM-Agent Stock Forecastingのためのイベントグラフを用いた信頼性インフォームド補正
- Abstract要約: RICE-Alphaは、歴史を意識した多視点ベースアルファと、過去の出来事の継続から導かれた信頼性を校正した残差補正を分離するポイントインタイムフレームワークである。
2024年から2026年までのNasdaq-100とHang Seng Indexパネルでは,LIS-AlphaがLSMをベースとしたエージェントの中で最強の結果を得た。
- 参考スコア（独自算出の注目度）: 10.434354113153582
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Equity-relevant news evolves through temporally dependent corporate events, making historical information useful only when event continuity, information availability, and transition reliability are modeled. Existing LLM-based financial agents incorporate historical evidence, yet they provide limited support for preserving issuer-specific chronology under point-in-time constraints and for identifying when historical transitions contribute information beyond the current forecast. We present RICE-Alpha (Reliability-Informed Correction with Event Graphs), a point-in-time stock-scoring framework that separates a history-aware multi-view Base Alpha from a reliability-calibrated residual correction derived from historical event continuation. A Multi-Tier Memory Layer grounds news interpretation in temporally eligible issuer-specific history, while a Typed Event Agent constructs event states whose successor relations are formed within issuers and pooled across firms only after valid local pairing. Matured transitions are calibrated by their empirical reliability, and the resulting graph signal is residualized against the Base Alpha and technical view to obtain the RICE Delta. On daily Nasdaq-100 and Hang Seng Index panels from 2024 to 2026, RICE-Alpha achieves the strongest results among the evaluated LLM-based agents and momentum across four predictive and four portfolio-level metrics. Its ICIR more than doubles that of the strongest baseline, while net Sharpe ratios reach 1.656 and 1.725 in the U.S. and Hong Kong, respectively. U.S. ablations further show significant reductions in IC and RankIC after Holm adjustment when major components are removed. These results indicate that historical event continuation adds incremental information when it is temporally grounded, reliability-calibrated, and introduced as a residual correction to a multi-view forecast.
- Abstract（参考訳）: エクイティ関連ニュースは、時間依存の企業イベントを通じて進化し、イベント継続性、情報可用性、遷移信頼性がモデル化された場合にのみ、歴史的な情報を有用なものにする。
既存のLLMベースの金融エージェントには、歴史的証拠が組み込まれているが、ポイント・イン・タイムの制約の下で発行者固有の年表を保存することや、過去の移行が現在の予測を超える情報にいつ貢献するかを識別するための限定的な支援を提供している。
RICE-Alpha(Reliability-Informed Correction with Event Graphs)は,歴史を意識した多視点ベースアルファを,歴史的イベント継続から得られた信頼性校正残差補正から切り離す,ポイントインタイムのストックスコーリングフレームワークである。
マルチティアメモリレイヤは、時間的に許容される発行者固有の歴史のニュース解釈を基盤とし、タイプドイベントエージェントは、発行者内で後継関係が形成され、有効なローカルペアリング後にのみ、企業間でプールされるイベント状態を構築する。
成熟した遷移は、その経験的信頼性によって調整され、結果として得られるグラフ信号は、ベースアルファと技術的視点に対して残留し、RICEデルタを得る。
2024年から2026年までの1日当たりのNasdaq-100とHang Seng Indexパネルでは、LIS-Alphaは4つの予測と4つのポートフォリオレベルの指標で評価されたLSMベースのエージェントとモメンタムの中で、最も強力な結果を得た。
ICIRは最強のベースラインを2倍以上に上り、ネットシャープ比は米国と香港で1.656と1.725に達する。
アメリカでは、主要な部品が取り除かれた場合、ホルム調整後のICとRangICの大幅な削減が示されている。
これらの結果から,過去の事象の継続は,時間的接地,信頼性の校正,多視点予測の残差補正として導入される場合に,漸進的な情報を追加することが示唆された。
関連論文リスト
- TimeLitmus: A Diagnostic Benchmark for Cross-Modal Understanding and Explanation Faithfulness in Event-Conditioned Time-Series Prediction [48.104261148149654]
TimeLitmusは、イベント条件付き時系列予測における相互理解と忠実さの説明のための診断ベンチマークである。
TimeLitmusには財務と交通の計4,856件の評価記録がある。
論文 参考訳（メタデータ） (2026-09-21T14:38:49Z) - HARN: Hierarchical Associative Resonance Network for Event-Driven Multi-Timeframe Forecasting [0.0]
本稿では,イベント駆動型マルチフレーム予測のための階層型連想共振ネットワークHARNを紹介する。
このアーキテクチャは、因果的多スケールテンポラルエンコーディング、ゲート型連想記憶、クロスレベル共鳴、階層的エビデンスアグリゲーションを組み合わせたものである。
我々は、複数のランダムシードと成分増幅を用いて、株式、外国為替、商品市場にまたがる4つの資産についてHARNを評価した。
論文 参考訳（メタデータ） (2026-09-20T11:58:07Z) - TimeSage-EV: A Live Benchmark for Agentic Time Series Analysis in Evolving Environments [46.167956432673776]
TimeSage-EVは、進化する環境におけるエージェント時系列分析のためのライブベンチマークである。
2023年2月から2026年5月までの1,485のシナリオ周期QAペアで構成されている。
TimeSage-EVは状態識別、データの要約、展望推論を評価する。
論文 参考訳（メタデータ） (2026-08-14T12:53:21Z) - TFGformer: Multivariate Time Series Forecasting via Time-Frequency Graph Learning and Covariate Fusion [12.980172248250257]
本稿では,形状認識メモリ(SAM)とRevIN正規化を統合した検索拡張予測フレームワークを提案する。
7つの公開ベンチマークの実験では、CrossRAGはパラメトリックのみのベースラインと既存の検索拡張予測手法の両方を一貫して上回っている。
論文 参考訳（メタデータ） (2026-07-31T14:24:26Z) - RAVEN: A Regime-Aware Variable-context Expert Network for Financial Time Series Forecasting [83.06074370551887]
固定コンテキストウィンドウは、非定常価格プロセスの時間変化最適振り返りと一致しない。
本稿では,各サンプルの時間的文脈を適応的に決定するMixture-of-Expertsフレームワークを提案する。
累積ログリターン予測(HS300、S&P500)およびファンド販売予測の実験では、RAVENはSOTAのパフォーマンスを達成し、HS300ではピアソン相関を9.2%改善し、S&P500では20.2%改善し、MSEを18.2%削減している。
論文 参考訳（メタデータ） (2026-06-23T02:11:04Z) - Is Capability a Liability? More Capable Language Models Make Worse Forecasts When It Matters Most [11.4807141145402]
逆スケーリングでは、より有能なモデルでは、超線形成長を伴う問題を予測し、状態変化の尾リスクを予測し、分布予測が悪化する。
このパターンはForecastBench-Simで、線形制御にマッチした合成SIRの流行を予測し、COVID-19、麻疹、住宅市場、ハイパーインフレの実際のデータセットに複製する。
この逆スケーリングは、LLM予測ベンチマークに共通する単一閾値のメトリクスには現れず、同一出力における能力-正確性関係のサインを逆転させる。
論文 参考訳（メタデータ） (2026-05-21T16:14:33Z) - RAVEN: Real-time Autoregressive Video Extrapolation with Consistency-model GRPO [53.38929612273108]
因果自己回帰ビデオ拡散モデルは、以前生成されたコンテンツから将来のチャンクを外挿することでリアルタイムストリーミング生成をサポートする。
本稿では,リアルタイム自動回帰ビデオ補間ネットワーク(RAVEN)を紹介した。これは,各自己ロールアウトを,クリーンな歴史的エンドポイントのインターリーブシーケンスに再パッケージするトレーニングタイムテストフレームワークである。
論文 参考訳（メタデータ） (2026-05-14T17:59:30Z) - FERA: Uncertainty-Aware Federated Reasoning for Large Language Models [60.52562148874846]
我々は、サーバがプライベートなデモンストレーションを行う異種クライアントと協調することで、多段階推論を改善するフェデレーション推論について研究する。
重要な課題は、クライアントの信頼性がクエリ依存であるのに対して、サーバはクライアントデータを検査して、どのコントリビューションが信頼できるかを判断できません。
本稿では,サーバクライアントの反復的コリファインメントに基づくトレーニングフリーフレームワークである Uncertainty-Aware Federated Reasoning (FERA) を提案する。
論文 参考訳（メタデータ） (2026-05-11T07:04:51Z) - Learning Graph Structures and Uncertainty for Accurate and Calibrated Time-series Forecasting [65.40983982856056]
本稿では,時系列間の相関を利用して時系列間の構造を学習し,精度の高い正確な予測を行うSTOICを紹介する。
幅広いベンチマークデータセットに対して、STOICは16%の精度とキャリブレーションのよい予測を提供する。
論文 参考訳（メタデータ） (2024-07-02T20:14:32Z)
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。