論文の概要: Thinking Fast, Trading Late: System One Decision Models vs the Market
- arxiv url: http://arxiv.org/abs/2611.03985v1
- Date: Mon, 02 Nov 2026 21:24:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-11 09:57:37.055399
- Title: Thinking Fast, Trading Late: System One Decision Models vs the Market
- Title(参考訳): 迅速なトレーディングを考える - システム1の意思決定モデルと市場
- Abstract要約: 大規模言語モデル(LLM)は企業ニュースを大規模に読み取る。
私たちは、その予測可能性のどれ程が、ルックアヘッド、記憶、選択を規定するテストに残っているか尋ねます。
このようなテストのためのプロトコルであるOLIVIAを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language models (LLMs) read company news at scale, and backtests suggest that their readings predict stock returns. We ask how much of that predictability survives a test that rules out look-ahead, memorization and selection. We propose OLIVIA, a protocol for such tests: point-in-time inputs with company identities masked, selection on validation data only, an analysis plan frozen by cryptographic hash, and a test period unblinded once through a logged lock. We apply it to AI decision models, non-generative language models that return probabilities for typed questions, reading news about S&P 500 stocks: an open-weights model we fine-tuned on 2024-2025 data, three commercial models and standard baselines. The fine-tuned model's signal replicated on two validation quarters (daily information coefficients 0.055 and 0.065) but fell to 0.020 (t = 1.7) on the blinded January-July 2026 test. The commercial models' readings line up with the overnight move to the open (information coefficient 0.074 to 0.077) but not with the move after it, so the news is priced by the time a trader can act on it at the open. No model can tell over- from under-reaction, and no pre-registered strategy survives costs and a deflated Sharpe ratio. Commercial models identify masked companies in 62% to 74% of cases against a 28% baseline: masking hides names, not companies. The market reads the news first.
- Abstract(参考訳): 大規模言語モデル(LLMs)は企業ニュースを大規模に読み上げ、バックテストでは株価のリターンを予測することを示唆している。
私たちは、その予測可能性のどれ程が、ルックアヘッド、記憶、選択を規定するテストに残っているか尋ねます。
本稿では, 企業IDをマスクしたポイントインタイム入力, 検証データのみの選択, 暗号ハッシュで凍結された解析計画, ログされたロックを通して一度は消失するテスト期間などのテストのためのプロトコルであるOLIVIAを提案する。
私たちは、AI決定モデル、型付き質問の確率を返す非生成言語モデル、S&P 500株に関するニュースを読む:2024-2025データ、商用モデル3つ、標準ベースラインを微調整したオープンウェイトモデルに適用します。
微調整されたモデルの信号は2つの検証区(日次情報係数0.055と0.065)で再現されたが、2026年1月から7月にかけての試験では0.020(t = 1.7)に低下した。
商業モデルの読み上げは、一晩のオープン移動(情報係数0.074〜0.077)と一致しているが、その後の動きとは一致しないので、トレーダーがオープンで行動できるまでには、ニュースは価格が下がる。
過剰反応から過剰反応を判断するモデルはなく、事前登録された戦略もコストと膨らんだシャープ比を維持できない。
商業モデルでは、マスクされた企業を62%から74%のケースで28%のベースラインに対して特定している。
市場はまずニュースを読みます。
関連論文リスト
- Do We Need an LLM to Know Why Sources Conflict? Decision Models for Knowledge-Conflict Typing in RAG [0.0]
テキストを生成する代わりに、1つのフォワードパスで固定オプションに対して確率を返す型決定モデルが、この分類を迅速かつ安価に行うことができるかどうかを検討する。
同一入力におけるGeminiモデルに対して、7つのプロバイダから1つの商用推論ゲートウェイによって提供される11の決定モデルすべてを評価する。
論文 参考訳(メタデータ) (2026-10-27T09:43:21Z) - Reading the News Without Hindsight: NoLBERT Topics and the Cross-Section of Stock Returns [0.39146761527401436]
1976年から1995年にかけて出版されたテキストにのみ事前訓練されたエンコーダであるNoLBERTからニューストピックを構築した。
2012年から2024年にかけて、LDA、MiniLM、FinBERTの読者126万記事と比較した。
NoLBERTは、LDAと同様に最も安定したトピックと予測を提供する。
論文 参考訳(メタデータ) (2026-10-15T23:27:49Z) - What Do Foundation Models for Market Microstructure Learn? A Controlled Study with Synthetic Limit Order Books [52.171034819111945]
我々は,潜在パラメータが知られているシミュレータから,GPTスタイルのモデルを順序流で学習する。
学習された予測は、トークン当たり1ミリナット以内のベイズ最適値と一致する。
実NASDAQデータでは、ゼロショット転送はシミュレーターが実際の流れをいかにうまくカバーするかによって設定される。
論文 参考訳(メタデータ) (2026-10-14T12:38:49Z) - Fast Models, Slow Evidence: A Paired and Self-Audited Evaluation of System-1 Decision Models for LLM Agent Harnesses [6.778374627376906]
System-1決定モデルは、クラス確率で単一のフォワードパスでそのような質問に答える。
オープンウェイト (Laya) モデルとホスト (Jev) System-1 モデルとのペア評価を行った。
論文 参考訳(メタデータ) (2026-10-01T05:57:14Z) - Pinocchio: Fast Uncertainty Estimates for Black-Box Language Models [73.50370994588927]
ブラックボックスAPIモデルから応答の正しさを推定する外部キャリブレータであるPinocchioを紹介する。
我々のモデルは、不確実な推定を生成するために1つのフォワードパスしか必要とせず、ターゲットモデルのロジット、重み、または内部状態へのアクセスを必要としない。
論文 参考訳(メタデータ) (2026-09-21T16:48:50Z) - Evaluating Decision Models for Text Annotation in Computational Social Science [0.7792020418343021]
決定モデルは、選択された型付き質問、ラベルセット上の確率分布、自由テキストよりも信頼スコアに答える。
最初の商用決定モデルと2つのオープンウェイトな決定モデルと、19のフロンティアとオープンウェイトな言語モデルを比較します。
我々の結果は、決定モデルがアノテーションパイプラインの第一歩として有用であることを示唆している。
論文 参考訳(メタデータ) (2026-09-21T13:41:54Z) - DataDecide: How to Predict Best Pretraining Data with Small Experiments [67.95896457895404]
私たちはDataDecideのモデル、データ、評価を公開しています。
最大100Bトークン,最大1Bパラメータのモデルサイズ,および3つのランダムシードを用いて,25コーパスにわたる事前学習実験を行った。
論文 参考訳(メタデータ) (2025-04-15T17:02:15Z) - How do Decisions Emerge across Layers in Neural Models? Interpretation
with Differentiable Masking [70.92463223410225]
DiffMaskは、差分性を維持しながら入力のサブセットをマスクアウトすることを学ぶ。
入力トークンを包含または無視する決定は、中間隠蔽層に基づく単純なモデルで行われる。
これにより、属性のヒートマップをプロットするだけでなく、ネットワーク層間で意思決定がどのように形成されるかを分析することができます。
論文 参考訳(メタデータ) (2020-04-30T17:36:14Z)
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。