論文の概要: Beyond Behavioral Accuracy: Evaluating Individual-Level Fidelity in LLM Investor Simulation

• arxiv url: http://arxiv.org/abs/2610.26524v1
• Date: Mon, 19 Oct 2026 14:54:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 02:45:44.525539
• Title: Beyond Behavioral Accuracy: Evaluating Individual-Level Fidelity in LLM Investor Simulation
• Title（参考訳）: 行動精度を超えて:LLMインベスターシミュレーションにおける各レベル忠実度の評価
• 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使われていますが、個人の振る舞いや決定ロジックを時間とともに忠実に再現することはできますか? 我々は,取引活動,購買構造,資産選択,ポートフォリオの成果を評価する。
• 参考スコア（独自算出の注目度）: 2.511867086946395
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) are increasingly used as user simulators, but can they faithfully reproduce an individual's behavior and decision logic over time? We investigate this question in a longitudinal paper-trading study with 80 participants. Using rolling next-day predictions, we evaluate trading activity, buy-sell structure, asset selection, and portfolio outcomes, complemented by controlled input ablations and participant-rated explanation alignment. No evaluated LLM reliably outperforms a simple recent-activity persistence baseline for predicting trade occurrence, while buy-sell structure and asset selection remain difficult to reproduce. Similar activity-level performance can also yield substantially different portfolio trajectories. Ablations show that activity predictions depend primarily on recent trades, whereas asset choices are sensitive to multiple evidence sources. Participants rate explanations as more aligned with their recurring strategies than with their decision-specific rationales. These findings reveal a gap between coarse behavioral agreement and individual-level fidelity, motivating separate evaluation of behavioral accuracy, explanation alignment, and evidence dependence in personalized user simulation.
• 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使われていますが、個人の振る舞いや決定ロジックを時間とともに忠実に再現することはできますか? 参加者80名を対象に, 縦断紙による調査を行った。 翌日の展開予測を用いて,取引活動,購買構造,資産選択,ポートフォリオの成果を評価し,制御されたインプット・アブレーションと参加者評価による説明アライメントによって補完する。 LLMの評価は、取引発生を予測するための単純な最近の持続的ベースラインを確実に上回り、買い取り構造や資産選択は再現し難いままである。 同様のアクティビティレベルのパフォーマンスは、ポートフォリオの軌道も大きく異なる。 アブレーションは、活動予測が主に最近の取引に依存していることを示しているが、資産選択は複数の証拠ソースに敏感である。 参加者は、意思決定固有の合理性よりも、頻繁な戦略に沿った説明を評価します。 これらの結果から, 個別ユーザシミュレーションにおいて, 行動精度, 説明アライメント, 証拠依存の別々な評価を動機とした, 粗い行動合意と個人レベルの忠実さのギャップが明らかとなった。

関連論文リスト

• Are LLMs Good Financial User Simulators? Multi-view Investor Logic Alignment (MILA) [2.50104309758398]
  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。
  論文  参考訳（メタデータ） (2026-09-14T15:23:26Z)
• 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)
• AlphaForgeBench: Benchmarking End-to-End Trading Strategy Design with Large Language Models [23.493646150407116]
  リアルタイム取引性能の現在の評価は、重大な障害モードを見落としている:不確実性の下でのシーケンシャルな意思決定における厳しい行動不安定性である。 提案するAlphaForgeBenchは,大規模言語モデル(LLM)を,実行エージェントではなく定量的研究者として再構成する,原則化されたフレームワークである。
  論文  参考訳（メタデータ） (2026-02-10T14:29:33Z)
• Stochastic Encodings for Active Feature Acquisition [100.47043816019888]
  Active Feature Acquisitionは、インスタンスワイドでシーケンシャルな意思決定問題である。 目的は、テストインスタンスごとに独立して、現在の観測に基づいて計測する機能を動的に選択することである。 一般的なアプローチは強化学習(Reinforcement Learning)であり、トレーニングの困難を経験する。 我々は、教師付きで訓練された潜在変数モデルを導入し、潜在空間における観測不能な実現の可能性の多くにまたがる特徴を推論することで獲得する。
  論文  参考訳（メタデータ） (2025-08-03T23:48:46Z)
• STORM: A Spatio-Temporal Factor Model Based on Dual Vector Quantized Variational Autoencoders for Financial Trading [55.02735046724146]
  金融取引では、ファクターモデルが資産の価格設定や過大なリターンの獲得に広く利用されている。 双対ベクトル量子化変分オートエンコーダを用いた時空間ファクトラーモデルSTORMを提案する。 ストームは時間的および空間的な視点からストックの特徴を抽出し、これらの特徴を微細で意味的なレベルで融合し整列させ、その要素を多次元の埋め込みとして表現する。
  論文  参考訳（メタデータ） (2024-12-12T17:15:49Z)
• Optimizing Portfolio Management and Risk Assessment in Digital Assets Using Deep Learning for Predictive Analysis [5.015409508372732]
  本稿では,DQNアルゴリズムを新規かつ簡単な方法で資産管理ポートフォリオに導入する。 この性能はベンチマークをはるかに上回り、ポートフォリオ管理におけるDRLアルゴリズムの有効性を十分に証明している。 異なる資産は別々に環境として訓練されるので、異なる資産間でQ値が漂う現象があるかもしれない。
  論文  参考訳（メタデータ） (2024-02-25T05:23:57Z)

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。