Designing Agentic AI-Based Screening for Portfolio Investment
Di cosa parla
Una piattaforma di intelligenza artificiale impiega due agenti basati su modelli di linguaggio — sistemi che leggono e scrivono testo —: uno valuta i fondamentali delle aziende, l’altro il tono delle notizie. I due agenti discutono per generare segnali di acquisto e vendita e così riducono la lista di titoli candidati; infine una procedura statistica decide i pesi di investimento. Si vuole automatizzare e migliorare la fase di selezione del portafoglio confrontando questo approccio con la selezione umana e con metodi tradizionali.
Cosa permette di osservare
Fa riflettere su se affidare la prima selezione dei titoli a agenti testuali possa offrire vantaggi rispetto al lavoro umano, e su come combinare giudizi qualitativi (notizie) e quantitativi (dati aziendali) per costruire portafogli.
Dalla fonte
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. We show, through information acquisition theory, that screening with agentic AI can bring utility gains in screening compared with humans. We introduce the concept of \emph{sensible screening} and establish that, under mild screening errors, the squared Sharpe ratio of the screened por…