AlphaSharpe: LLM-Driven Discovery of Robust Risk-Adjusted Metrics

要約

シャープレシオのような財務指標は、リスクとリターンのバランスを取ることによって投資パフォーマンスを評価する上で極めて重要である。しかし、従来の指標は、特にダイナミックで不安定な市場環境において、頑健性と一般化に苦慮することが多い。本稿では、大規模言語モデル（LLM）を活用して金融指標を反復的に進化・最適化させ、クロスオーバー、ミューテーション、評価を繰り返すことで、頑健性と将来のパフォーマンス指標との相関性において従来のアプローチを凌駕する、強化されたリスク・リターン指標を発見する新しいフレームワーク、AlphaSharpeを紹介する。本研究の主な貢献は以下の通りである：(1)暗黙のドメイン固有知識を持つ金融指標を生成し、改良するためのLLMの新たな使用、(2)進化した指標が未知のデータに対して効果的に一般化することを保証するためのスコアリングメカニズム、(3)将来のリスク・リターンに対する3倍の予測力、および2倍のポートフォリオパフォーマンスの実証。実世界のデータセットにおける実験結果は、発見されたメトリクスの優位性を浮き彫りにし、ポートフォリオ・マネジャーや金融の意思決定者にとって非常に適切なものとなっている。このフレームワークは、既存のメトリックの限界に対処するだけでなく、金融分析を進歩させるLLMの可能性を示し、情報に基づいた強固な投資戦略への道を開くものである。

要約(オリジナル)

Financial metrics like the Sharpe ratio are pivotal in evaluating investment performance by balancing risk and return. However, traditional metrics often struggle with robustness and generalization, particularly in dynamic and volatile market conditions. This paper introduces AlphaSharpe, a novel framework leveraging large language models (LLMs) to iteratively evolve and optimize financial metrics to discover enhanced risk-return metrics that outperform traditional approaches in robustness and correlation with future performance metrics by employing iterative crossover, mutation, and evaluation. Key contributions of this work include: (1) a novel use of LLMs to generate and refine financial metrics with implicit domain-specific knowledge, (2) a scoring mechanism to ensure that evolved metrics generalize effectively to unseen data, and (3) an empirical demonstration of 3x predictive power for future risk-returns, and 2x portfolio performance. Experimental results in a real-world dataset highlight the superiority of discovered metrics, making them highly relevant to portfolio managers and financial decision-makers. This framework not only addresses the limitations of existing metrics but also showcases the potential of LLMs in advancing financial analytics, paving the way for informed and robust investment strategies.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL