金融感情分析のコストを削減するマルチエージェント手法TriAgent──GPT-4o-mini比で年間930万ドルのコスト削減

論文概要

TriAgentは、金融感情分析における推論コストの増大という構造的な課題を解決するために提案されたマルチエージェント・コミッティ・システムである。VADER（辞書ベース）、FinBERT（文レベル）、Qwen2.5（推論モデル）という粒度の異なるエージェントを組み合わせ、Semantic Divergence Index（SDI）を用いてクエリを動的にルーティングする。1,000万ユーザー規模でGPT-4o-miniを単独使用する場合と比較し、年間930万ドルのコスト削減を達成した。

関連研究

従来の金融感情分析は、単純なクエリであっても高コストなクラウドLLMに依存する傾向があった。本研究は、複数のモデルによるアンサンブル手法や、LLMをクリティック（批判者）として活用する手法を統合し、計算資源の効率的な割り当てを試みている。

新規性と貢献

本研究の最大の貢献は「クリティック・プラトー」の発見である。LLMを単なる回答生成器ではなく、小規模モデル群の出力に対する評価者として活用することで、モデルサイズを大きくしてもF1スコアが0.87付近で飽和することを示した。また、SDIがLLMのハルシネーション検出器としてAUC=0.90の精度で機能することも実証している。

提案手法の詳細

TriAgentの核心は、粒度の異なる3層のエージェントと、それらの意見の不一致を測定するSDIである。単純な感情分析はVADERが処理し、複雑な推論が必要な場合のみQwen2.5へエスカレーションする。この設計により、計算コストを最小限に抑えつつ、モデル間の多様性を維持している。また、Shared Consensus Dictionary（SCD）により、英語環境で学習したモデルの知見を多言語クエリに転用する仕組みも備えている。

評価・考察

20銘柄を用いたバックテストにおいて、TriAgentのSDI戦略はSharpe比3.50を記録し、常にFinBERTを使用した場合（1.36）や常にLLMを使用した場合（0.11）を大きく凌駕した。また、1,000万ユーザー規模でのコストシミュレーションでは、GPT-4o-miniベースラインに対して年間930万ドルの節約が可能であることを示した。

応用例と今後の展望

日本の金融機関やフィンテック企業において、大量のニュースフィードやSNS投稿をリアルタイムで感情分析する際、本手法は推論コストを劇的に抑える手段となる。特に、API利用料が利益を圧迫する中規模以上のサービスにおいて、コスト対効果の改善が期待できる。今後の課題は、SDIの計算コストそのものの削減と、より多様な言語への対応である。

結論

TriAgentは、金融感情分析においてモデルの粒度を最適化することで、コスト効率と精度の両立を実現した。LLMをクリティックとして活用する戦略は、実務的なAIシステム設計における重要な指針となる。

注釈

• SDI (Semantic Divergence Index): 異なる粒度を持つモデル間での意見の不一致度を定量化する指標。
• クリティック・プラトー: モデルサイズを一定以上大きくしても、評価者としての性能が向上しなくなる飽和点。