[論文レビュー] Designing Agentic AI-Based Screening for Portfolio Investment

Mehmet Caner, Agostino Capponi+2 more|arXiv (Cornell University)|Mar 24, 2026

Stock Market Forecasting Methods被引用数 0

ひとこと要約

その論文は、ファンダメンタルとセンチメントの二つのLLMベースの株式スクリーニング機構と高次元の精度マトリックスウェイト付けを組み合わせたエージェント型AIフレームワークを構築し、妥当なスクリーニングを導入、S&P 500データ（2020–2024および2015–2024）でシャープレシオの改善を示す。

ABSTRACT

We introduce a new agentic artificial intelligence (AI) platform for portfolio management. Our architecture consists of three layers. First, two large language model (LLM) agents are assigned specialized tasks: one agent screens for firms with desirable fundamentals, while a sentiment analysis agent screens for firms with desirable news. Second, these agents deliberate to generate and agree upon buy and sell signals from a large portfolio, substantially narrowing the pool of candidate assets. Finally, we apply a high-dimensional precision matrix estimation procedure to determine optimal portfolio weights. A defining theoretical feature of our framework is that the number of assets in the portfolio is itself a random variable, realized through the screening process. We introduce the concept of sensible screening and establish that, under mild screening errors, the squared Sharpe ratio of the screened portfolio consistently estimates its target. Empirically, our method achieves superior Sharpe ratios relative to an unscreened baseline portfolio and to conventional screening approaches, evaluated on S&P 500 data over the period 2020--2024.

研究の動機と目的

• ポートフォリオ構築を二段階プロセスとして動機づける：株式スクリーニングとウェイト最適化。
• ファンダメンタル分析とセンチメント分析を組み合わせたマルチエージェントAIアーキテクチャを株式スクリーニングのために開発。
• 妥当なスクリーニングと理論的なシャープレシオ一貫性の概念を導入。
• ベンチマークや代替手法と比較して、市場環境を超えてフレームワークを実証的に検証。

提案手法

• ファンダメンタル分析用のLLM-Sとセンチメント分析用のFinBERTの二つの専門AIエージェントと資産選択のコンセンサス規則を備えた三層アーキテクチャ。
• 最適ウェイトを決定する高次元の精度マトリックス推定手法（ノードワイズ回帰、残差ノードワイズ回帰、POET、ディープラーニングベースの手法、非線形縮小）.
• スクリーニングによって実現されるポートフォリオの資産数をランダム変数と見なし、妥当なスクリーニングの下でスクリーニング済みポートフォリオの二乗シャープ比がターゲットを一貫して推定することを証明する（定理A.1）。
• 遅いストーリーと速いニュースを捉えるための回 rolling retraining schedules（LLM-Sは年次、FinBERTは月次）と三分の二のコンセンサス規則。
• 複数のベースライン（純粋に量的、単一エージェントLLMs、従来のスクリーニング、人間はさみ込みシステム）との比較を通じて、マルチエージェント設計の価値を特定。

実験結果

リサーチクエスチョン

• RQ1 LLMベースのファンダメンタルスクリーニングとセンチメント分析を統合することは、ベンチマークと比較してポートフォリオのパフォーマンスにどのような影響を与えるか。
• RQ2 高次元の精度マトリックスアプローチは、ランダムなカーディナリティを持つスクリーニングに対してより優れたウェイト形成を生み出すか。
• RQ3 妥当なスクリーニングの概念は、スクリーニングに誤りが含まれる場合でもシャープレシオ推定を一貫させるか。
• RQ4 エージェント型AIフレームワークは、異なる市場環境や長期的な視点でどのようなパフォーマンスを示すか。

主な発見

• マルチエージェントAIフレームワークは、ほとんどの手法-目的の組み合わせで市場ベンチマークより高いシャープ比を達成。
• 2020–2024年では、最良のエージェント構成が年率換算シャープ比1.1867を達成（S&P 500の0.6324から、指数に対して88%の改善）。
• 2015–2024年では、エージェント型AIアーキテクチャが優位で、市場ベンチマークの0.7298に対し最大0.9429のシャープ比を記録。
• 最良のエージェント構成は5年間のウィンドウで年率リターン36.34%を達成、一方で最良の純量ベースラインは19.99%。
• 多くの構成で人間アナリストの入力はバイアスのためにパフォーマンスを低下させることがあり、AIベースのスクリーニングの価値を強調。