テクニカル・サマリー：OpenPM – LLMポートフォリオ管理エージェントのための監査可能な時点（Point-in-Time）評価

1. 問題提起

本論文は、現在のLLMトレーディング・エージェントの評価における3つの決定的な失敗（これらはしばしば、膨張した、あるいはデプロイ不可能な結果を招く）に対処している。

1. 情報のリーク（Information Leakage）： エージェントが意思決定時に利用不可能なデータ（例：イベント発生時刻に基づく記録ではなく、可用時刻に基づく記録、あるいは将来の観測値）にアクセスしてしまうことで、人工的なスキルを生み出してしまう。
2. 楽観的な実行（Optimistic Execution）： 報告されるリターンが取引コスト（スプレッド、スリッページ、回転率）を無視しており、現実的なデプロイ可能推定値ではなく、上限値のみを提示している。
3. 未強制のマンデート（Unenforced Mandates）： 自然言語によるリスク制約（例：「保守的」、「銘柄数は最大20」）が、実行されたポートフォリオに対するハードな制約として強制されるのではなく、事後的なスコアリングのためのソフトな好みの設定として扱われている。

既存のベンチマークは、多くの場合、これらの問題（特に時点（Point-in-Time, PIT）データのゲーティングと厳格なマンデートの強制）を同時に制御できていない。

2. メソドロジー：OpenPMフレームワーク

OpenPMは、信頼できる評価をエンジニアリングの成果物として扱うために設計された、監査可能な時点（Point-in-Time）評価フレームワークである。

コア設計原則

• 時点（Point-in-Time）データ環境： システムは厳格な「可用性ゲート」を強制する。レコードは、その ts_available $\le T$ である場合にのみ、時刻 $T$ におけるエージェントの状態に導入される。これにより、イベント時刻と可用時刻（例：四半期報告書はEDGARへの受理後にのみ利用可能となる）を区別する。環境は、5分間隔のマーケット状態観測を伴うS&P 500のユニバースをカバーしている。
• マンデートの強制： 自然言語によるリスク・マンデートは、型定義された制約（例：銘柄ごとの最大ウェイト、最大銘柄数）へとパースされる。極めて重要な点は、これらが実行後のスコアリングのためではなく、エージェントの提案されたウェイトを実行前に実行可能な集合へと投影する**ループ内決定論的クリティック（Deterministic in-loop critic）**によって強制されることである。
• コストを考慮した実行： リターンは、サイドを意識したハーフ・スプレッド（買いはAskで、売りはBidで執行）を用いて計算される。市場インパクトのモデリングは行わないため、保守的ではあるが現実的なコストのベースラインを提供する。

ティアード・アロケーター（参照エージェント）

本論文では、トレーディング・パイプラインの特定のコンポーネントを分離するために、参照エージェント・アーキテクチャを導入している。

1. マンデートのコンパイル： 自然言語を型定義された制約へと変換する。
2. 流動性ゲート： ユニバースを取引可能な銘柄（例：流動性上位50銘柄）にフィルタリングする。
3. アナリスト・ティア： 6つの並列なLLMアナリストが、型定義されたチャネル（テクニカル、レジーム、イベント、ニュース、8-K項目、10-K/10-Qナラティブ）にわたって候補を独立してスコアリングする。
4. コンストラクタ（構成器）： アナリストの集計スコアとスプレッドに基づき、生価格や複合スコアにアクセスすることなく、ポートフォリオのウェイトを提案する別のLLM。
5. 決定論的クリティック： コンストラクタの提案を、実行可能な集合（ロングオンリー、銘柄キャップ、流動性制限の強制）へと投影する。
6. フィル・シミュレーター（約定シミュレーター）： クオートされたサイドで取引を実行する。

実験セットアップ

• データセット： 2026年2月19日から2026年5月1日までの間にアクティブであったS&P 500（508銘柄）の、コンテンツ・ハッシュ化された凍結スナップショット。評価期間は2026年3月2日から2026年5月1日までの44取引日である。
• 分離戦略： 「コンストラクタ」の能力を分離するため、著者らはアナリスト・ティアを一度実行して証拠の「凍結キャプチャ」を作成している。この同一の証拠を、異なるコンストラクタ・モデル（gpt-5, Opus-4.7, DeepSeek-V3.2, Qwen3-Max, gpt-4o-mini）に対して再再生し、シグナルの質とは独立してコンストラクタが価値を加えるかどうかを判定する。
• モード： 「一度の決定後に保持（once-then-hold）」モードと、日次リバランス・モードで実験を行う。

3. 主要な結果

本論文は、絶対的なアルファの主張よりも構造的な知見を報告しており、結果は単一の凍結ウィンドウにおける上限であることを強調している。

コンストラクタの能力

• 条件付きの利得： 強力なコンストラクタ（例：gpt-5, Opus-4.7）は、アップストリームのアナリスト・シグナルが強い場合にのみ、同じ候補プールを等ウェイト（EW）する場合と比較して、モデル依存の緩やかな利得を示す。
• アナリストの支配力： アナリスト・ティアの質がパフォーマンスの主要なドライバーである。アナリストのキャプチャが弱かった場合（DeepSeek-V3.2）、どのコンストラクタも同じプールを用いたEWベースラインを上回ることはできなかった。キャプチャが強かった場合（gpt-5）、ほとんどのコンストラクタがEWを上回った。
• オーバーラップ： 強力なコンストラクタは、EWのロースターを完全に置き換えるのではなく、主にそのウェイトを再調整する（75–78%のオーバーラップ）。弱いコンストラクタは大きく逸脱し、アンダーパフォームする傾向がある。

コストと回転率

• 回転率がコストの主因： 日次リバランスにおいて、回転率は支配的なコスト要因となる。高回転モデル（例：Qwen3-Max, gpt-4o-mini）は、低回転モデルと同等のグロス・リターンを持ちながら、コストの引きによる影響でネット・リターンがSPYベンチマークを下回った。
• 規律の重要性： 勝てるパターンは、「適切に選択し、かつ取引を控えめにすること」である。低回転だけでは不十分である（gpt-5は最も低い回転率を示したが、特定のレジームにおける選択力の低さによりSPYを下回った）。

コンプライアンスと監査

• マンデートの遵守： すべてのコンストラクタは、生の提案において明示的な数値キャップ（例：最大ウェイト10%）を遵守した。
• クリティックの必要性： 決定論的クリティックは、マンデートよりも厳しく、かつモデルには見えない流動性制約（ハード・クリップ）を強制するために不可欠であった。
• 汚染（Contamination）： すべての実行において汚染証明書（contamination certificate）を通過し、先読みによるリークがないことが確認された。

4. 意義と主張

本論文は、OpenPMを検証済みのアルファ生成器としてではなく、診断ツールとして位置づけている。

• エンジニアリングの成果物： 厳格なデータ契約、可用性ゲーティング、および決定論的強制レイヤーを必要とする、評価をエンジニアリングの問題として再定義している。
• 主張の誠実さ： 著者らは、すべてのリターンは「市場インパクトを考慮しない、単一の凍結ウィンドウにおける上限値であり、検証されたアルファではない」と明言している。目的は、報告されるすべての数値を、その数値を生み出した特定の条件（データの指紋、コストモデル、マンデート）に紐付けることで、主張を誠実なものにすることである。
• 診断的洞察： フレームワークは、「構築スキル（construction skill）」がしばしば「アップストリームのアナリスト・シグナルの質」の代用であることを明らかにしている。本論文は、コンストラクタ以降は最も安価で能力のあるモデルを使用すべきであり、計算資源はアナリスト・ティアに優先的に割り当てるべきであると主張している。
• 監査可能性： 実行ごとに汚染証明書、コスト感受性曲線、制約遵守レポートなどのアーティファクトを生成することで、OpenPMは研究者が、結果がデータ・リークや楽観的な実行仮定の産物ではないことを検証することを可能にする。

要約すると、OpenPMは、LLMが特定の条件下で単純なベースラインを上回るポートフォリオを構築できることを示しているが、そのパフォーマンスはアップストリームのシグナル品質に強く依存し、回転コストによって容易に侵食されることを示している。本フレームワークは、真のスキルと評価のアーティファクトを区別するための厳格な枠組みを提供するものである。