[論文レビュー] Large Language Model Agent in Financial Trading: A Survey

Han Ding, Yinheng Li+4 more|arXiv (Cornell University)|Jul 26, 2024

Stock Market Forecasting Methods被引用数 9

ひとこと要約

この論文は、LLMs が金融市場で取引エージェントまたはアルファ・マイナーとしてどのように使用されているかを概観し、アーキテクチャ、データ入力、バックテスト成績、課題を要約します。

ABSTRACT

Trading is a highly competitive task that requires a combination of strategy, knowledge, and psychological fortitude. With the recent success of large language models(LLMs), it is appealing to apply the emerging intelligence of LLM agents in this competitive arena and understanding if they can outperform professional traders. In this survey, we provide a comprehensive review of the current research on using LLMs as agents in financial trading. We summarize the common architecture used in the agent, the data inputs, and the performance of LLM trading agents in backtesting as well as the challenges presented in these research. This survey aims to provide insights into the current state of LLM-based financial trading agents and outline future research directions in this field.

研究の動機と目的

• LLMベースの取引エージェントの共通アーキテクチャ（LLM as Trader 対 LLM as Alpha Miner）とその根拠を特定する。
• LLM取引エージェントで使用されるデータ入力を分類する（numerical、textual、visual、simulated）と、それらがどのように処理されるか。
• 金融分野におけるLLMエージェントを評価するためのバックテスト性能、評価指標、ベースラインを検討する。
• 制約を強調し、LLM選択の現状の傾向を示し、今後の研究の方向性を提案する。

提案手法

• 金融取引のためのLLMsに関する論文27件を系統的にレビューする。
• アーキテクチャを2つの主要タイプに分類する：LLM as Trader と LLM as Alpha Miner。
• データ入力を4つのグループに要約する：numerical、textual、visual、simulated。
• バックテスト、評価指標、ベースラインを含む評価手法を要約する。
• モデルのアクセス性と統合課題を含む制約と将来の方向性について議論する。

Figure 2. Histogram of base LLM used by Finance Agent (one paper may contain multiple agent)

実験結果

リサーチクエスチョン

• RQ1 LLMを用いた取引エージェントに用いられる共通のアーキテクチャは何か？
• RQ2 LLM取引エージェントで使用されるデータタイプは何か、どのように統合されているか？
• RQ3 現在のパフォーマンスとバックテストにおけるLLM取引エージェントの制約は何か？
• RQ4 LLMベースの金融取引において強調される今後の方向性と課題は何か？

主な発見

• 取引のためのLLMアーキテクチャは、概ね LLM as Trader と LLM as Alpha Miner に分類される。
• エージェントは主にテキストデータに依存し、数値データをテキストへ変換したものが補助となり、記憶・反省・討論メカニズムの探索が進んでいる。
• 実際の市場データでのバックテストは、ベースラインに対して年率リターンが15%–30%の範囲で報告されるなど、強い成績を示している。
• 文献にはオープンソースのLLMが存在するが、性能のためOpenAIモデル（GPT-3.5/4）が主導しており、クローズドソースモデルには待機時間とプライバシーの懸念が残る。
• マルチモーダルデータ（チャートなどの視覚データを含む）も模索されているが、金融の視覚データの活用はまだ不十分である。
• 評価は取引コストやUS/中国株市場を超えた広範な市場カバレッジを十分に考慮していないことが多く、より包括的な検証の余地を示している。