論文の概要: When News Gets Old: Portfolio Allocation with Reinforcement Learning and Large Language Models

• arxiv url: http://arxiv.org/abs/2610.30564v1
• Date: Thu, 22 Oct 2026 00:44:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.179554
• Title: When News Gets Old: Portfolio Allocation with Reinforcement Learning and Large Language Models
• Title（参考訳）: ニュースが古くなったとき - 強化学習と大規模言語モデルを備えたポートフォリオアロケーション
• Abstract要約: タイムリーなニュースは、価格が完全に調整される前に投資家に届くかもしれないが、古いニュースはすでに価格に反映されているかもしれない。 老朽化したシグナルを扱い、ポートフォリオポリシーのタイミング情報を与えるか、ポートフォリオ選択前にそれらをフィルタリングする2つの方法を検討する。 2023-2025年の歴史試験におけるトレーディングコスト後のリターンを評価する。
• 参考スコア（独自算出の注目度）: 0.8379286663107846
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Financial news can influence investment decisions long after publication. Timely news may reach an investor before prices fully adjust, whereas older news may already be reflected in prices. We examine two ways to handle aging signals: retain them and give a portfolio policy timing information, or filter them out before portfolio selection. A fixed large language model (LLM) extracts signals from public SEC disclosures. We compare these treatments in reinforcement learning (RL) policies and LLMs that choose portfolios directly. We evaluate returns after trading costs in historical tests over 2023-2025. RL choices respond to timing information in a controlled test, but historical returns show no consistent benefit from adding it. For the LLM, filtering old news produced the highest average net return, reaching 18.43% per year when news delivery was delayed by four weeks. This exceeded the returns of all RL strategies that used news.
• Abstract（参考訳）: 金融ニュースは出版後ずっと投資決定に影響を及ぼす可能性がある。 タイムリーなニュースは、価格が完全に調整される前に投資家に届くかもしれないが、古いニュースはすでに価格に反映されているかもしれない。 老朽化したシグナルを扱い、ポートフォリオポリシーのタイミング情報を与えるか、ポートフォリオ選択前にそれらをフィルタリングする2つの方法を検討する。 固定大言語モデル(LLM)は、公開SEC開示から信号を抽出する。 ポートフォリオを直接選択する強化学習(RL)とLCMを比較した。 2023-2025年の歴史試験におけるトレーディングコスト後のリターンを評価する。 RLの選択は、制御されたテストのタイミング情報に応答するが、履歴的なリターンは、それを追加することで一貫したメリットを示さない。 LLMにとって、古いニュースのフィルタリングは、ニュース配信が4週間遅れた年に18.43%に達した。 これはニュースを使った全てのRL戦略のリターンを上回った。

関連論文リスト

• Generalized Stock Price Prediction for Multiple Stocks Combined with News Fusion [55.80546131166094]
  本稿では,Large Language Models (LLMs) と日次金融ニュースを統合して株価予測を行う手法を提案する。 我々は,事前学習したLLMを用いてニュース記事をエンコードし,ストック関連性に基づいてニュースをフィルタリングする3つのアテンションベースプール手法を実装した。 実験の結果,平均絶対誤差(MAE)はベースラインに比べて7.11%減少した。
  論文  参考訳（メタデータ） (2026-03-08T09:05:10Z)
• Adversarial News and Lost Profits: Manipulating Headlines in LLM-Driven Algorithmic Trading [2.0354824281017723]
  大きな言語モデル(LLM)は金融分野でますます採用されている。 テキストデータを分析できる優れた能力は、金融関連のニュースの感情を推測するのに適している。 この慣行は、脅威俳優がLSMを誤解させようとする「敵のニュース」を制作するリスクを負う。
  論文  参考訳（メタデータ） (2026-01-19T14:19:04Z)
• PriceSeer: Evaluating Large Language Models in Real-Time Stock Prediction [47.70107097572211]
  本稿では,ストック予測タスクを実行する大規模言語モデルを対象としたベンチマークであるPriceSeerを紹介する。 プライスシーアには11の産業セクターから110の米国株が含まれており、それぞれ249の歴史的データポイントが含まれている。 我々は、異なる予測地平の下で6つの最先端LCMを評価し、投資戦略を創出する可能性を実証した。
  論文  参考訳（メタデータ） (2025-12-31T08:35:46Z)
• Can Large Language Models Improve Venture Capital Exit Timing After IPO? [0.0]
  大規模言語モデル(LLM)は、複雑な財務データとテキスト情報の合成において有望であるが、IPO後の撤退決定には適用されていない。 本研究は、月次IPO後の業績、申請、ニュース、市場信号を分析して、LPMを用いてVCからの撤退の最適時期を推定するフレームワークを紹介する。 我々は、これらのLCM生成勧告とVCが観測した実際の終了日を比較し、両戦略間のリターン差を計算した。
  論文  参考訳（メタデータ） (2025-12-22T00:19:34Z)
• Dynamic Uncertainty Ranking: Enhancing Retrieval-Augmented In-Context Learning for Long-Tail Knowledge in LLMs [50.29035873837]
  大規模言語モデル(LLM)は、事前訓練中に多様なドメインから膨大な量の知識を学習することができる。 専門ドメインからの長い尾の知識は、しばしば不足し、表現されていないため、モデルの記憶にはほとんど現れない。 ICLの強化学習に基づく動的不確実性ランキング手法を提案する。
  論文  参考訳（メタデータ） (2024-10-31T03:42:17Z)
• AI in Investment Analysis: LLMs for Equity Stock Ratings [0.2916558661202724]
  本稿では,Large Language Models (LLMs) のマルチ水平ストックレーティングへの適用について検討する。 本研究は、LLMを活用して株価評価の精度と一貫性を向上させることで、これらの課題に対処する。 提案手法は,フォワードリターンで評価した場合,従来の株価評価手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-30T15:06:57Z)
• Assessing Look-Ahead Bias in Stock Return Predictions Generated By GPT Sentiment Analysis [0.0]
  大規模言語モデル(LLM)は、ニューステキストの感情から利益の出るトレーディング信号を抽出することができる。 このバイアスは、LLMがニュース記事に続く株価のリターンについて特定の知識を持つことができるルック・ア・ヘッドバイアスと、社名を冠した企業の一般的な知識がテキストの感情の測定に干渉する気晴らし効果の2つの形態をとることができる。 金融ニュースの見出しの感情が引き起こすトレーディング戦略を通じて、これらのバイアス源を調査します。
  論文  参考訳（メタデータ） (2023-09-29T15:30:32Z)
• 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)
• Reinforcement-Learning based Portfolio Management with Augmented Asset Movement Prediction States [71.54651874063865]
  ポートフォリオマネジメント(PM)は、最大利益や最小リスクといった投資目標を達成することを目的としている。 本稿では,PMのための新しいステート拡張RLフレームワークであるSARLを提案する。 当社の枠組みは, 金融PMにおける2つのユニークな課題に対処することを目的としている。(1) データの異種データ -- 資産毎の収集情報は通常, 多様性, ノイズ, 不均衡(ニュース記事など), (2) 環境の不確実性 -- 金融市場は多様で非定常である。
  論文  参考訳（メタデータ） (2020-02-09T08:10:03Z)

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。