Automate Strategy Finding with LLM in Quant Investment

要約

金融取引の深い学習の大きな進歩にもかかわらず、既存のモデルはしばしば不安定性と高い不確実性に直面し、実際の応用を妨げます。
大規模な言語モデル（LLMS）およびマルチエージェントアーキテクチャの進歩を活用して、ポートフォリオ管理とアルファマイニングへの定量的株式投資のための新しいフレームワークを提案します。
私たちのフレームワークは、LLMSを統合して多様なアルファを生成し、マルチエージェントアプローチを採用して市場の状況を動的に評価することにより、これらの問題に対処します。
このペーパーでは、マルチモーダルの財務データからの大規模な言語モデル（LLMS）がアルファ要因を採掘するフレームワークを提案し、市場のダイナミクスを包括的に理解することを保証します。
最初のモジュールは、数値データ、研究論文、視覚チャートを統合することにより、予測信号を抽出します。
2番目のモジュールでは、アンサンブル学習を使用して、さまざまなリスク選好を備えた多様なトレーディングエージェントのプールを構築し、より広範な市場分析を通じて戦略のパフォーマンスを向上させます。
3番目のモジュールでは、動的な重量ゲーティングメカニズムは、リアルタイム市場の状況に基づいて最も関連性の高いエージェントに重みを選択および割り当て、適応およびコンテキストを認識した複合アルファ式の作成を可能にします。
中国の株式市場での広範な実験は、このフレームワークが複数の金融メトリックにわたって最先端のベースラインを大幅に上回ることを示しています。
結果は、LLM生成アルファとマルチエージェントアーキテクチャを組み合わせて、優れた取引パフォーマンスと安定性を実現することの有効性を強調しています。
この作業は、定量的投資戦略を強化する際のAI主導のアプローチの可能性を強調し、金融取引における高度な機械学習技術を統合するための新しいベンチマークを設定することも、多様な市場に適用できます。

要約(オリジナル)

Despite significant progress in deep learning for financial trading, existing models often face instability and high uncertainty, hindering their practical application. Leveraging advancements in Large Language Models (LLMs) and multi-agent architectures, we propose a novel framework for quantitative stock investment in portfolio management and alpha mining. Our framework addresses these issues by integrating LLMs to generate diversified alphas and employing a multi-agent approach to dynamically evaluate market conditions. This paper proposes a framework where large language models (LLMs) mine alpha factors from multimodal financial data, ensuring a comprehensive understanding of market dynamics. The first module extracts predictive signals by integrating numerical data, research papers, and visual charts. The second module uses ensemble learning to construct a diverse pool of trading agents with varying risk preferences, enhancing strategy performance through a broader market analysis. In the third module, a dynamic weight-gating mechanism selects and assigns weights to the most relevant agents based on real-time market conditions, enabling the creation of an adaptive and context-aware composite alpha formula. Extensive experiments on the Chinese stock markets demonstrate that this framework significantly outperforms state-of-the-art baselines across multiple financial metrics. The results underscore the efficacy of combining LLM-generated alphas with a multi-agent architecture to achieve superior trading performance and stability. This work highlights the potential of AI-driven approaches in enhancing quantitative investment strategies and sets a new benchmark for integrating advanced machine learning techniques in financial trading can also be applied on diverse markets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google