論文の概要: Learning AI Agents, Market Makers, and Stress in Automated Markets

• arxiv url: http://arxiv.org/abs/2611.01799v1
• Date: Sun, 01 Nov 2026 11:08:08 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:18:16.437621
• Title: Learning AI Agents, Market Makers, and Stress in Automated Markets
• Title（参考訳）: 自動市場におけるAIエージェント、マーケットメーカ、ストレスの学習
• Abstract要約: 自動市場は、学習トレーディングエージェントから自動市場メーカ(AMM)への注文の流れをますます高めている 我々は、報酬関数によって定義されたAIエージェントとしてトレーダーアーキタイプをモデル化し、一定の生産的AMMで生成したフィードバックを分析する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Automated markets increasingly route order flow from learning trading agents through automated market makers (AMMs). We model trader archetypes as AI agents defined by their reward functions and analyze the feedback they create on a constant-product AMM. Herd-dominated and arbitrage-dominated markets of equal size have identical return distributions and turnover, so no rule based on volatility, value-at-risk, stress frequency, or volume can tell them apart; yet their stress episodes differ in length by a factor unbounded in the feedback-to-noise ratio $β/s$. Serial statistics identify the feedback sign from $Θ((s/β)^2\log(1/δ))$ observations, and this rate is tight. When agents trade together, profit-seeking agents ride herds rather than lean against them, leading to all-or-nothing participation. Spread-earning market makers restore stability but make liquidity fragile, with discontinuous collapse and hysteresis; maker--taker pricing, not a uniform fee, is the effective instrument.
• Abstract（参考訳）: 自動市場は、学習するトレーディングエージェントから自動市場メーカ(AMM)への注文フローをますます進めている。 我々は、報酬関数によって定義されたAIエージェントとしてトレーダーアーキタイプをモデル化し、一定の生産的AMMで生成したフィードバックを分析する。 草本支配市場と仲裁支配市場は、同じリターン分布とターンオーバーを持つため、ボラティリティ、バリューアットリスク、ストレス周波数、ボリュームに基づくルールは区別できないが、それらのストレスエピソードは、フィードバック対ノイズ比$β/s$で非有界な要因によって長さによって異なる。 シリアル統計では、フィードバックの符号は、$s((s/β)^2\log(1/δ))$の観測から特定され、この値は厳密である。 エージェントが一緒に取引する際、利益を追求するエージェントは、それらに従わずに群れに乗る。 新興市場メーカーは安定性を回復するが、不連続的な崩壊とヒステリシスを伴う流動性の脆弱さを生んでいる。

関連論文リスト

• Cooperative Multi-Agent Reinforcement Learning for Market Making on Prediction-Market Order Books [0.0]
  予測市場におけるマルチエージェント強化学習を訓練した市場メーカについて検討する。 悪質な選択は 実際のデータで訓練されたポリシーを 引用を止めさせるかもしれない 引用の結果は、アクションの後に多くのステップに到達できる。
  論文  参考訳（メタデータ） (2026-10-19T17:38:36Z)
• FinPersona-Bench: A Benchmark for Longitudinal Psychometric Stability of Autonomous Financial Agents [39.00852136756911]
  大規模言語モデル(LLM)は、明示的な行動規範を持つ自律的な金融エージェントとして、ますます多くデプロイされている。 市場の状況が長い地平線を越えて蓄積するにつれて、これらの委任統治は徐々に行動的影響を失う。 衝突のシナリオでは、静的エージェントと周期的な委譲再接地を受けるエージェントの挙動ギャップは、シミュレーションの第1四半期から第4四半期まで4.4倍に増大する。 これらの結果から, 信頼性の高い長期展開には, エージェントプロファイルと市場体制に基づく選択的, 委任型再接地が必要であることが示唆された。
  論文  参考訳（メタデータ） (2026-06-30T11:33:29Z)
• Taming Actor-Observer Asymmetry in Agents via Dialectical Alignment [59.536125286960186]
  セルフリフレクションと相互監査を可能にするために、専門的な役割を割り当てるマルチエージェントフレームワークがますます採用されている。 アクター・オブザーバ非対称性(Actor-Observer Asymmetric)と呼ばれる認知バイアスを同時に誘発する。 ReTASは、対立する視点を客観的なコンセンサスに合成するためにエージェントを誘導する。
  論文  参考訳（メタデータ） (2026-04-21T15:05:58Z)
• TraderBench: How Robust Are AI Agents in Adversarial Capital Markets? [8.661756660747042]
  TraderBenchは金融のAIエージェントを評価するためのベンチマークである。 専門家が検証した静的タスク(知識検索、分析的推論)と敵の取引シミュレーションを組み合わせる。 2つの新しいトラック:4つのプログレッシブ・マーケット・マニピュレーション・トランスフォーメーションによる暗号取引、オプションデリバティブはP&Lの正確性、ギリシャ人、リスク管理である。
  論文  参考訳（メタデータ） (2026-02-27T20:06:28Z)
• TradeTrap: Are LLM-based Trading Agents Truly Reliable and Faithful? [44.01987401527335]
  TradeTrapは、適応的および手続き的自律的トレーディングエージェントの両方を体系的にストレステストするための統一的な評価フレームワークである。 市場インテリジェンス、戦略定式化、ポートフォリオと台帳処理、取引実行の4つの中心的コンポーネントをターゲットにしている。 実験により、単一コンポーネントでの小さな摂動がエージェント決定ループを伝播し、極端な濃度、暴走露光、大きなポートフォリオの減少を引き起こすことが示されている。
  論文  参考訳（メタデータ） (2025-12-01T23:06:42Z)
• Robust Reinforcement Learning in Finance: Modeling Market Impact with Elliptic Uncertainty Sets [57.179679246370114]
  金融分野では、強化学習(RL)エージェントは、価格に影響を与えない歴史的データに基づいて訓練されることが多い。 展開中、これらのエージェントは、自身の取引が資産価格を変えることができるライブマーケットで取引する。 従来のロバストなRLアプローチは、不確実性の集合に対して最悪のパフォーマンスを最適化することで、このモデルの誤特定に対処する。 楕円型不確実性集合の新たなクラスを開発し,効率的かつ堅牢な政策評価を可能にする。
  論文  参考訳（メタデータ） (2025-10-22T18:22:25Z)
• 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)
• 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)

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。