論文の概要: Governed Self-Evolution for Autonomous Investing: A Multi-Agent LLM System with an Invariant Core

• arxiv url: http://arxiv.org/abs/2610.30557v1
• Date: Thu, 22 Oct 2026 00:22:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.178745
• Title: Governed Self-Evolution for Autonomous Investing: A Multi-Agent LLM System with an Invariant Core
• Title（参考訳）: 自律的投資のための統治的自己進化:不変コアを持つ多エージェントLLMシステム
• Abstract要約: 我々は,その型システムにおける自己進化の境界を描画するマルチエージェントLLMシステムであるStewardを提案する。 4人のアナリストがニュースフィード、SEC(証券取引委員会)の申請書、マクロ経済シリーズ、および市場データを読み、タイプ付きレポートを発行する。 第2に、システム自身のレコードからコードによって組み立てられた7層共有メモリは、それぞれの決定にその位置コンテキストを与える。 第3に、システムはレビューによって改善されている。コードはすべての取引をグレードし、夜間に予測し、グレードをメモリに書き込む。
• 参考スコア（独自算出の注目度）: 6.288734775961661
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLM agents that act on live Web data must combine heterogeneous evidence, remember what they have done and improve from outcomes without weakening their own safeguards. We study this problem in autonomous investing, where every action is irreversible and based on untrusted Web content. We present Steward, a multi-agent LLM system that draws the boundary of self-evolution in its type system. First, nine role-specialised agents decide jointly: four analysts read news feeds, SEC filings, macroeconomic series and market data and emit typed reports, from which a Portfolio Manager sets target positions that a protected Risk Manager audits. Second, a seven-layer shared memory, assembled by code from the system's own record, gives each decision its position context, the market narrative, calibration and the agent's past decisions. Third, the system improves itself by review: code grades every trade and forecast nightly and writes the grades into memory, and each quarter a reflector proposes prompt learnings that a deterministic gate applies reversibly and replay of recorded inputs verifies. All three operate around an invariant core of order arithmetic, risk rules and discipline-agent prompts that no self-edit can reach. In a five-month live deployment (102 trading days, 1,632 LLM calls), the system contained a 24.6% sector drawdown to a 0.3% loss; in replay of its recorded inputs, a single model given the same raw data traded more and lost 1.35 points against the market over five days where the joint design showed no significant loss, and no injected instruction was followed; and a 2015-2026 backtest shows the core alone lowering the maximum drawdown under all 50 random entry policies. The reflector traced the dominant failure to its root cause, and the gate applied a learning that the agent adopted on trigger evenings and on no control evening. Code: https://github.com/yebof/quant-agent
• Abstract（参考訳）: ライブWebデータに作用するLDMエージェントは、異質な証拠を組み合わせて、彼らがしたことを思い出し、自分たちの安全を弱めることなく結果を改善する必要がある。 我々は、全ての行動が不可逆であり、信頼できないウェブコンテンツに基づいて、この問題を自律的な投資で研究する。 我々は,その型システムにおける自己進化の境界を描画するマルチエージェントLLMシステムであるStewardを提案する。 4人のアナリストがニュースフィード、SEC(証券取引委員会)の申請書、マクロ経済シリーズ、および市場データを読み、タイプ付きレポートを発行し、Portfolio Managerが保護されたリスクマネージャが監査するターゲットポジションを設定する。 第2に、システム自身の記録からのコードによって組み立てられた7層共有メモリは、それぞれの決定にその位置コンテキスト、市場の物語、キャリブレーション、エージェントの過去の決定を与える。 第3に、システムは、レビューによって改善されている:コードは、夜間にすべての取引と予測をグレードし、グレードをメモリに書き込み、各クォーターは、決定論的ゲートが可逆的に適用され、記録された入力の再生が検証されたことを、即座に学習する。 3つとも順序算術、リスクルール、規律エージェントの不変コアを中心に動作し、自己編集が到達できないように促す。 5ヶ月のライブ展開(102日、1,632 LLMコール)では、24.6%のセクターのダウンダウンが0.3%の損失を記録し、記録されたインプットのリプレイでは、同一の生データを与えられた1つのモデルが、共同設計が大きな損失を示さず、インジェクションの指示が従わなかった5日間にわたって市場に対して1.35ポイントの損失を与え、2015-2026のバックテストでは、コアのみが50のランダムなエントリーポリシーの最大ダウンダウンを下げた。 リフレクターは根本原因に支配的な失敗を辿り、ゲートはエージェントが引き金の夜と制御不能の夜に採用したことを学習した。 コード:https://github.com/yebof/quant-agent

関連論文リスト

• Conservative Meta-Agent Search: Architecture Adaptation under Non-Stationarity [0.0]
  我々は,メタエージェントアーキテクチャの探索を,スイッチングコストとハードリスク制約による逐次的な置換として定式化する。 また,システマスイッチングシミュレータであるMetaInvest-Benchを導入する。 金融ストリームはメタレベルの一般化のためのリスクに敏感なテストベッドとして機能します。
  論文  参考訳（メタデータ） (2026-10-22T15:32:06Z)
• AllPath: Layered Verification for a Deployed, Self-Revising LLM Trading Agent under Human-Gated and Autonomous Regimes [7.837842601637295]
  生紙ブローカーアカウントに対する個人LLMトレーディングエージェントであるAllPathについて報告する。 システムは決定論的ルールエンジンを通じてポジションを監視し、毎晩、独自のトレーディング戦略の改訂を提案する。 本稿では,ライブシステムにおけるエージェントの自己修正に関する2つの検証ポリシーを比較した。
  論文  参考訳（メタデータ） (2026-10-19T16:18:52Z)
• FORESIGHT-9: Prospective and Process-Aware Evaluation of Adaptive Trading Agents [0.0]
  FORESIGHT-9は、9つの監査可能な対実的ストレスワールドラインから構築された、将来的でプロセス対応のベンチマークである。 共通契約は、各エージェントのネイティブ適応ループを保持しながら、観察と実行を標準化する。 我々は,36ランにわたる2つの基盤モデルバックボーンを持つ2つの適応型トレーディングエージェントフレームワークを評価した。
  論文  参考訳（メタデータ） (2026-08-29T17:12:49Z)
• CLQT: A Closed-Loop, Cost-Aware, Strategy-Consistent Benchmark for Diagnostic Evaluation of LLM Portfolio-Management Agents [0.9924185669370708]
  CLQTはクローズドループ取引の評価をランキングではなく診断として再設定する。 CLQTは、完全にクローズドループで、コストを意識し、戦略に一貫性があり、時間的に制限された環境である。
  論文  参考訳（メタデータ） (2026-06-29T04:26:30Z)
• Automated Self-Testing as a Quality Gate: Evidence-Driven Release Management for LLM Applications [51.56484100374058]
  我々は,エビデンスに基づくリリース決定を伴う品質ゲートを導入する自動自己テストフレームワークを提案する。 内部展開型多エージェント対話型AIシステムの縦型ケーススタディにより,本フレームワークの評価を行った。
  論文  参考訳（メタデータ） (2026-03-13T20:44:15Z)
• 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)
• Which Agent Causes Task Failures and When? On Automated Failure Attribution of LLM Multi-Agent Systems [50.29939179830491]
  LLMマルチエージェントシステムにおける障害帰属は、まだ調査が過小評価されており、労働集約的である。 本稿では,3つの自動故障帰属手法の開発と評価を行い,その欠点と欠点を要約する。 最良の方法は、障害に応答するエージェントを特定する際に53.5%の精度を達成するが、故障の特定には14.2%しか役に立たない。
  論文  参考訳（メタデータ） (2025-04-30T23:09:44Z)

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。