論文の概要: Language Modeling for the Future of Finance: A Quantitative Survey into Metrics, Tasks, and Data Opportunities

• arxiv url: http://arxiv.org/abs/2504.07274v1
• Date: Wed, 09 Apr 2025 21:02:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-11 12:21:43.633937
• Title: Language Modeling for the Future of Finance: A Quantitative Survey into Metrics, Tasks, and Data Opportunities
• Title（参考訳）: 金融の将来のための言語モデリング:メトリクス、課題、データ機会に関する定量的調査
• Authors: Nikita Tatarinov, Siddhant Sukhani, Agam Shah, Sudheer Chava,
• Abstract要約: 近年の言語モデリングの進歩により、金融問題への自然言語処理技術の適用への関心が高まっている。 この傾向を検討するため、2017年から2024年にかけて38のカンファレンスやワークショップで374件のNLP研究論文をレビューした。 我々はこれらの論文を11の質的、定量的な次元にわたって評価し、汎用言語モデルの利用の増加などの重要なトレンドを特定した。
• 参考スコア（独自算出の注目度）: 4.974815773537217
• License:
• Abstract: Recent advances in language modeling have led to growing interest in applying Natural Language Processing (NLP) techniques to financial problems, enabling new approaches to analysis and decision-making. To systematically examine this trend, we review 374 NLP research papers published between 2017 and 2024 across 38 conferences and workshops, with a focused analysis of 221 papers that directly address finance-related tasks. We evaluate these papers across 11 qualitative and quantitative dimensions, identifying key trends such as the increasing use of general-purpose language models, steady progress in sentiment analysis and information extraction, and emerging efforts around explainability and privacy-preserving methods. We also discuss the use of evaluation metrics, highlighting the importance of domain-specific ones to complement standard machine learning metrics. Our findings emphasize the need for more accessible, adaptive datasets and highlight the significance of incorporating financial crisis periods to strengthen model robustness under real-world conditions. This survey provides a structured overview of NLP research applied to finance and offers practical insights for researchers and practitioners working at this intersection.
• Abstract（参考訳）: 近年の言語モデリングの進歩は、自然言語処理(NLP)技術を金融問題に適用することへの関心を高め、分析と意思決定の新しいアプローチを可能にした。 この傾向を体系的に検討するため、2017年から2024年にかけて38の会議やワークショップで374件のNLP研究論文をレビューし、金融関連タスクに直接対処する221件の論文について分析した。 我々はこれらの論文を11の質的・定量的な次元で評価し、汎用言語モデルの利用の増加、感情分析と情報抽出の着実に進歩、説明可能性とプライバシー保護方法に関する新たな取り組みなど重要なトレンドを特定した。 また、評価指標の使用についても議論し、標準の機械学習メトリクスを補完するドメイン固有の指標の重要性を強調した。 我々の研究は、よりアクセスしやすく適応的なデータセットの必要性を強調し、現実の条件下でのモデル堅牢性を強化するために金融危機期間を組み込むことの重要性を強調した。 この調査は、NLP研究を金融に応用した構造的な概要を提供し、この交差点で働く研究者や実践者に実践的な洞察を提供する。

関連論文リスト

• Large Language Model for Qualitative Research -- A Systematic Mapping Study [3.302912592091359]
  先進的な生成AIを駆使した大規模言語モデル(LLM)がトランスフォーメーションツールとして登場した。 本研究は, LLMを用いた定性的研究に関する文献を体系的にマッピングする。 LLMは様々な分野にまたがって利用されており、プロセスの自動化の可能性を示している。
  論文  参考訳（メタデータ） (2024-11-18T21:28:00Z)
• Evaluating Large Language Models on Financial Report Summarization: An Empirical Study [9.28042182186057]
  我々は3つの最先端大言語モデル(LLM)の比較研究を行っている。 我々の主な動機は、これらのモデルがどのように金融の中で活用できるかを探求することであり、正確さ、文脈的関連性、誤った情報や誤解を招く情報に対する堅牢性を要求する分野である。 本稿では,定量的メトリクス(精度,リコールなど)と質的分析(コンテキスト適合性,一貫性など)を統合し,各モデルの出力品質の全体像を提供する,革新的な評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-11T10:36:04Z)
• The Nature of NLP: Analyzing Contributions in NLP Papers [77.31665252336157]
  我々は,NLP研究を構成するものについて,研究論文から定量的に検討する。 以上の結果から,NLPにおける機械学習の関与は,90年代前半から増加傾向にあることが明らかとなった。 2020年以降、言語と人々への関心が復活した。
  論文  参考訳（メタデータ） (2024-09-29T01:29:28Z)
• A Survey of Large Language Models for Financial Applications: Progress, Prospects and Challenges [60.546677053091685]
  大規模言語モデル(LLM)は金融分野における機械学習アプリケーションに新たな機会を開放した。 我々は、従来のプラクティスを変革し、イノベーションを促進する可能性に焦点を当て、様々な金融業務におけるLLMの適用について検討する。 本稿では,既存の文献を言語タスク,感情分析,財務時系列,財務推論,エージェントベースモデリング,その他の応用分野に分類するための調査を紹介する。
  論文  参考訳（メタデータ） (2024-06-15T16:11:35Z)
• From Pixels to Insights: A Survey on Automatic Chart Understanding in the Era of Large Foundation Models [98.41645229835493]
  グラフ形式のデータの可視化は、データ分析において重要な役割を担い、重要な洞察を提供し、情報的な意思決定を支援する。 大規模言語モデルのような大規模な基盤モデルは、様々な自然言語処理タスクに革命をもたらした。 本研究は,自然言語処理,コンピュータビジョン,データ解析の分野における研究者や実践者の包括的資源として機能する。
  論文  参考訳（メタデータ） (2024-03-18T17:57:09Z)
• PIXIU: A Large Language Model, Instruction Data and Evaluation Benchmark for Finance [63.51545277822702]
  PIXIUは、命令データ付き微調整LLaMAに基づく最初の金融大規模言語モデル(LLM)を含む包括的なフレームワークである。 我々はLLaMAを細調整してFinMAを提案する。 我々は、FinMAと既存のLLMを詳細に分析し、重要な財政課題に対処する際の長所と短所を明らかにする。
  論文  参考訳（メタデータ） (2023-06-08T14:20:29Z)
• Beyond Classification: Financial Reasoning in State-of-the-Art Language Models [0.0]
  大規模言語モデル(LLM)は複雑な多段階推論タスクにおいて顕著な能力を示した。 本研究は,金融分野におけるLLMの適用可能性に関する包括的調査である。 コヒーレントな財務推論を生成する能力は、まず6Bパラメータで現れ、より良い命令チューニングやより大きなデータセットで改善を続けている。
  論文  参考訳（メタデータ） (2023-04-30T04:36:05Z)
• Investigating Fairness Disparities in Peer Review: A Language Model Enhanced Approach [77.61131357420201]
  我々は、大規模言語モデル(LM)の助けを借りて、ピアレビューにおける公平性格差の徹底した厳密な研究を行う。 我々は、2017年から現在までのICLR(International Conference on Learning Representations)カンファレンスで、包括的なリレーショナルデータベースを収集、組み立て、維持しています。 我々は、著作者性別、地理、著作者、機関的名声など、興味のある複数の保護属性に対する公平性の違いを仮定し、研究する。
  論文  参考訳（メタデータ） (2022-11-07T16:19:42Z)
• Stock Embeddings: Learning Distributed Representations for Financial Assets [11.67728795230542]
  本稿では,過去のリターンデータのダイナミクスを利用する,ストック埋め込みのトレーニングのためのニューラルモデルを提案する。 当社のアプローチを詳細に説明し、金融分野で使用可能ないくつかの方法について論じる。
  論文  参考訳（メタデータ） (2022-02-14T15:39:06Z)
• A Survey on Text Classification: From Shallow to Deep Learning [83.47804123133719]
  過去10年は、ディープラーニングが前例のない成功を収めたために、この分野の研究が急増している。 本稿では,1961年から2021年までの最先端のアプローチを見直し,そのギャップを埋める。 特徴抽出と分類に使用されるテキストとモデルに基づいて,テキスト分類のための分類を作成する。
  論文  参考訳（メタデータ） (2020-08-02T00:09:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。