論文の概要: Can AI Make Money in Crypto? Measuring the Gap from Backtests to Real Markets

• arxiv url: http://arxiv.org/abs/2609.34510v1
• Date: Mon, 28 Sep 2026 07:52:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 12:49:25.435241
• Title: Can AI Make Money in Crypto? Measuring the Gap from Backtests to Real Markets
• Title（参考訳）: AIは暗号通貨でお金を稼げる? バックテストから実際の市場へのギャップを計測する
• Abstract要約: 本稿では,暗号通貨市場における機械学習,強化学習,LLMベース,エージェントベーストレーディング手法の評価を行う統一ベンチマークを提案する。 バックテストと現実化のギャップを定量化し、パフォーマンスが低下し始めた時期を特定し、このギャップがAIトレーディングメソッドの主要なクラスでどのように異なるかを比較する。
• 参考スコア（独自算出の注目度）: 40.40872245799387
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI-based trading methods have rapidly evolved from machine learning and reinforcement learning to large language models (LLMs) and trading agents, yet their performance is still predominantly assessed through historical backtesting. Such evaluations provide limited evidence of whether a method can generalize to unseen future markets or whether its backtested performance can be sustained in realistic trading frictions (e.g., latency, slippage, liquidity constraints, and market impact). We present a unified benchmark that evaluates representative machine learning, reinforcement learning, LLM-based, and agent-based trading methods in cryptocurrency markets through three progressively more realistic stages: historical backtesting, prospective exchange-based paper trading, and real-money live trading. These stages jointly increase temporal realism by moving from historical to unseen future markets, and execution realism by moving from offline simulation toward live trading. This protocol enables us to quantify the backtest-to-realization gap, identify when performance begins to deteriorate, and compare how this gap differs across major classes of AI trading methods. We further provide a unified open-source system supporting all three evaluation stages, together with a public platform that continuously updates benchmark results. Code is available at https://github.com/Starlien95/Awesome-TradingAI.
• Abstract（参考訳）: AIベースのトレーディング手法は、機械学習や強化学習から、大規模言語モデル(LLM)やトレーディングエージェントへと急速に進化してきたが、そのパフォーマンスは依然として、過去のバックテストを通じて評価されている。 このような評価は、将来の未確認市場への一般化が可能かどうか、あるいは現実的な取引摩擦(例えば、レイテンシ、滑り込み、流動性制約、市場への影響)において、そのバックテストされた性能が持続できるかどうかの限定的な証拠を提供する。 本稿では,暗号通貨市場における代表的機械学習,強化学習,LDMに基づくエージェントベースの取引手法を,歴史的バックテスト,将来的な交換ベースの紙取引,実物取引という,より現実的な3段階を通じて評価する統一ベンチマークを提案する。 これらの段階は、歴史的から目に見えない未来市場への移行による時間的リアリズムと、オフラインシミュレーションからライブトレーディングへの移行による実行リアリズムとを兼ね備えている。 このプロトコルにより、バックテストと実現のギャップを定量化し、パフォーマンスが低下し始める時期を特定し、このギャップがAIトレーディングメソッドの主要なクラスでどのように異なるかを比較することができる。 さらに、ベンチマーク結果を継続的に更新する公開プラットフォームとともに、3つの評価ステージすべてをサポートする統一的なオープンソースシステムも提供します。 コードはhttps://github.com/Starlien95/Awesome-TradingAIで入手できる。

関連論文リスト

• 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)
• Meta-Learning Reinforcement Learning for Crypto-Return Prediction [16.344249366257003]
  本稿ではメタラーニングと強化学習を統一したトランスフォーマーベースアーキテクチャであるMeta-RL-Cryptoを提案する。 エージェントはクローズドループアーキテクチャにおいて、3つのロールアクタ、ジャッジ、メタジャッジを反復的に交互に切り替える。 様々な市場体制における実験により、Meta-RL-Cryptoは実市場の技術的指標に優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2025-09-11T14:20:45Z)
• 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)
• Data Cross-Segmentation for Improved Generalization in Reinforcement Learning Based Algorithmic Trading [5.75899596101548]
  本稿では,学習した予測モデルからの信号に基づいて処理を行う強化学習(RL)アルゴリズムを提案する。 われわれのアルゴリズムは、ブルサ・マレーシアの20年以上のエクイティデータに基づいてテストしている。
  論文  参考訳（メタデータ） (2023-07-18T16:00:02Z)
• 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)
• Deep Reinforcement Learning in Quantitative Algorithmic Trading: A Review [0.0]
  深層強化学習エージェントはChessやGoといった多くのゲームで想定される力であることが証明された。 本稿では、ファイナンスにおけるAIのサブドメインにおける深層強化学習の進歩を概観する。 我々は、株取引におけるDRLは、強い前提の下でプロのトレーダーと競合する可能性が大きいと結論付けている。
  論文  参考訳（メタデータ） (2021-05-31T22:26:43Z)

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。