論文の概要: Test-Time Communication in Trading Agent Swarms

• arxiv url: http://arxiv.org/abs/2610.37448v1
• Date: Tue, 27 Oct 2026 15:54:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.681738
• Title: Test-Time Communication in Trading Agent Swarms
• Title（参考訳）: トレーディングエージェント・スワムにおけるテスト時間通信
• Abstract要約: トレーディング・スワム(英: trading swarm)とは、チームではなく独立した意思決定者の集団である。 我々は5つの通信体制の下に10の集団で4つのモデルファミリーから200人のエージェントを走らせました。 4つのうち2つでは、コミュニケーショングループは孤立したグループよりもはるかに多くの株を保有するようになった。
• 参考スコア（独自算出の注目度）: 4.859201275874351
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Communication between agents has mostly been studied on tasks with a shared objective and fast, clear feedback. Trading has neither: each agent manages its own account, with decisions being scored by markets late and noisily. A trading swarm is thus a population of independent decision-makers rather than a team, for which convergence is a risk and not the goal. We ran 200 agents from four model families in groups of ten under five communication regimes, from isolation to message boards and shared notes, over seven US trading days (1 to 9 October 2026), logging everything each agent read before every decision. In two of the four families, communicating groups came to hold far more of the same stocks than the isolated group. A group's return was largely the return on what its members held in common. Seeing a post from a groupmate made an agent 7 percentage points more likely to reuse an eight-word phrase from it. Agents that started too close together to see each other's posts shared such a phrase in 14% of cases, the rate that common inputs produce. Seeing the post did not detectably change that morning's trades. Case studies traced the adoption of positions and decision rules over subsequent days, and communicating groups sold in step more often than isolated ones. Because isolated groups also converged on the same stocks, sometimes completely, assessments of herding need to measure excess convergence relative to a no-peer baseline.
• Abstract（参考訳）: エージェント間のコミュニケーションは、主に目的を共有し、素早く明確なフィードバックでタスクについて研究されている。 各エージェントは独自のアカウントを管理し、決定は遅かれ早かれ市場によって下される。 したがって、トレーディング・スワムはチームではなく独立した意思決定者の集団であり、収束はリスクであり、目標ではない。 我々は7日間(2026年10月1日から9日)にわたって、隔離から掲示板、共有メモまで、5つのコミュニケーション体制の10つ以下のグループで4つのモデルファミリーから200人のエージェントを走らせ、各エージェントがすべての決定の前に読み取った全てをロギングした。 4つのうち2つでは、コミュニケーショングループは孤立したグループよりもはるかに多くの株を保有するようになった。 グループからの復帰は、メンバーが共通して持っているものへの回帰であった。 グループメイトからの投稿を見ると、エージェントの7パーセントが8ワードのフレーズを再利用する傾向があった。 互いに近づきすぎてお互いの投稿を見ることができないエージェントは、14%のケースでそのようなフレーズを共有した。 このポストを見ることは、その朝の取引を著しく変えることはなかった。 ケーススタディでは、その後の日々におけるポジションと決定規則の採用を追跡調査し、孤立したグループよりも段階的に販売されたグループを追跡調査した。 孤立した集団は、しばしば完全に同じ株に収束するため、非ピアベースラインに対して過剰な収束を測定する必要がある。

関連論文リスト

• The Control Layer Behind Rule-Following Agents Trading Across Market Conditions [0.0]
  規則の遵守は、利益のないものを含む4人の代理人全てに高いものであった。 減損後の宣言されたリスクは安定し、冷静で不安定な数ヶ月にわたって広範囲に安定した。 我々の研究は、トレーダーが資本をコミットする前に幸運とルールフォローを区別するのに役立つ評価ツールキットを提供する。
  論文  参考訳（メタデータ） (2026-10-19T13:01:10Z)
• BazaarBench: Delegation Safety in Decentralized C2C Marketplaces Run by LLM Agents [54.5370815419817]
  本稿では,大言語モデル(LLM)エージェントの安全性を評価するためのC2CマーケットプレースとベンチマークであるBazaarBenchを紹介する。 オーナシップ、アイテム条件、トランザクション間のコミットメントを追跡する。 我々は、通常の命令、期限の圧力、または他のトレーダーを搾取するための敵の指示の下で、5つのモデルを評価する。
  論文  参考訳（メタデータ） (2026-10-05T17:26:17Z)
• Reinforcement Learning of Communication in a Mesh of Small Language Models [0.0]
  私たちは、小さな言語モデルエージェントの分散メッシュであるTalkMeshを紹介します。 各エージェントは提案をサンプリングし、訓練された信頼度ヘッドでスコア付けする。 最も自信のあるエージェントはヒントを放送し、エージェントは信頼のしきい値以下で修正し、各リビジョンは提案を上回ります。 ゴシップ・コンセンサス(Gossip consensus)は、コーディネーターを使わずに、自信によって重み付けられた票を近似する。
  論文  参考訳（メタデータ） (2026-09-24T21:41:12Z)
• Mind or Message? Auditing Theory of Mind in Multi-Agent Social Simulation [17.51404403306176]
  言語モデルエージェントは、社会的相互作用をシミュレートするためにますます使われています。 我々は、その外見がパートナーの心のモデルか、パートナーが言ったことの表面記録にかかっているか尋ねる。 私たちは、両方の質問が正確な答えを持つ社会シミュレーションを構築します。
  論文  参考訳（メタデータ） (2026-09-21T05:58:28Z)
• Self-Organizing Agent Teams Learn to Reason Together [52.45199430212268]
  私たちは、以前のコラボレーションから再利用可能な戦略を学び、役割、会話フェーズ、参加、情報の流れを整理する、AIエージェントの固定チームである、自己組織化エージェントチーム(SAT)を紹介します。 これらの戦略は、私たちがコラボレーティブ計算と呼ぶものを可能にします。エージェントの交換、チャレンジ、修復、そして、メンバーが独立して生成しないソリューションへの部分的推論を合成します。
  論文  参考訳（メタデータ） (2026-09-19T01:27:40Z)
• Scaling Discovery through Test-Time Communication [37.11075102731616]
  テスト時間通信は、課題のあるタスクにおいて、独立した並列処理を著しく上回ることを示す。 私たちは、$k$通信エージェントのチームであるTeam@$k$が、4k$独立エージェントの成功率と一致していることに気付きました。
  論文  参考訳（メタデータ） (2026-09-17T19:38:04Z)
• Language-model groups overstate consensus when replaying human deliberation on a reasoning task [1.3537117504260623]
  完全な合意率はしばしば集団認知の指標として扱われるが、参加と最終状態がどのように運用されるかによって異なる。 一致した大言語モデル (LLM) エージェント群を用いて, 100個のホールドアウトヒトワトソン群を再生した。 シミュレートされたコンセンサスは、集団的正確さを追跡せず、信念に基づくエージェント群は、ヒト集団のアウトカム分布の偏りを推定した。
  論文  参考訳（メタデータ） (2026-09-17T15:11:08Z)
• When Agents Lie: Premeditation, Persistence, and Exploitation in Repeated Games [69.060029640261]
  10ラウンドにわたる同質群と異質群の6つのゲームにおけるフロンティアモデルの評価を行った。 異なるモデルは発表を無矛盾に解釈し、いくつかはバインディングのコミットメントとして、もうひとつは安価なトークとして解釈する。
  論文  参考訳（メタデータ） (2026-07-06T14:17:59Z)
• ReConcile: Round-Table Conference Improves Reasoning via Consensus among Diverse LLMs [61.07130026622437]
  大規模言語モデル(LLM)は、まだ自然言語推論タスクに苦戦している。 心の社会に動機づけられて、我々はReConcileを提案する。 LLMエージェント間のラウンドテーブル会議として設計されたマルチモデルマルチエージェントフレームワーク。
  論文  参考訳（メタデータ） (2023-09-22T17:12:45Z)

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。