論文の概要: SAE-FiRE: Enhancing Earnings Surprise Predictions Through Sparse Autoencoder Feature Selection

• arxiv url: http://arxiv.org/abs/2505.14420v1
• Date: Tue, 20 May 2025 14:31:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:53.360403
• Title: SAE-FiRE: Enhancing Earnings Surprise Predictions Through Sparse Autoencoder Feature Selection
• Title（参考訳）: SAE-FiRE: スパースオートエンコーダ機能選択による予測予測の強化
• Authors: Huopu Zhang, Yanguang Liu, Mengnan Du,
• Abstract要約: 会議コールは企業幹部、アナリスト、株主間の重要なコミュニケーションチャネルとして機能する。 トランスクリプトには、相当な冗長性と業界固有の用語を持つ5,000以上の単語が含まれている。 本稿では,これらの制約に対処するSparse Autoencoder for Financial Representation Enhancement (SAE-FiRE)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 16.53419827442419
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting earnings surprises through the analysis of earnings conference call transcripts has attracted increasing attention from the financial research community. Conference calls serve as critical communication channels between company executives, analysts, and shareholders, offering valuable forward-looking information. However, these transcripts present significant analytical challenges, typically containing over 5,000 words with substantial redundancy and industry-specific terminology that creates obstacles for language models. In this work, we propose the Sparse Autoencoder for Financial Representation Enhancement (SAE-FiRE) framework to address these limitations by extracting key information while eliminating redundancy. SAE-FiRE employs Sparse Autoencoders (SAEs) to efficiently identify patterns and filter out noises, and focusing specifically on capturing nuanced financial signals that have predictive power for earnings surprises. Experimental results indicate that the proposed method can significantly outperform comparing baselines.
• Abstract（参考訳）: 決算報告を分析した結果、財務研究コミュニティから注目が集まっている。 会議コールは、企業幹部、アナリスト、株主間の重要なコミュニケーションチャネルとして機能し、価値ある前方情報を提供する。 しかしながら、これらの写本は、典型的には5000以上の単語と、言語モデルの障害を生み出す業界固有の用語を含む、重大な分析上の課題を呈している。 本研究では,金融表現強化のためのスパースオートエンコーダ(SAE-FiRE)フレームワークを提案する。 SAE-FiREは、Sparse Autoencoders (SAEs) を使用して、パターンを効率よく識別し、ノイズを除去し、特に利益のサプライズを予測する力を持つニュアンスな金融信号の取得に重点を置いている。 実験結果から,提案手法はベースラインの比較において有意に優れることが示された。

関連論文リスト

• Supervised Optimism Correction: Be Confident When LLMs Are Sure [91.7459076316849]
  教師付き微調整とオフライン強化学習の間には,新たな理論的関係が確立されている。 広く使われているビームサーチ法は、許容できない過度な最適化に悩まされていることを示す。 本稿では,トークンレベル$Q$-value推定のための簡易かつ効果的な補助的損失を導入したSupervised Optimism Correctionを提案する。
  論文  参考訳（メタデータ） (2025-04-10T07:50:03Z)
• Advancing Anomaly Detection: Non-Semantic Financial Data Encoding with LLMs [49.57641083688934]
  本稿では,Large Language Models (LLM) 埋め込みを用いた財務データにおける異常検出の新しい手法を提案する。 実験により,LLMが異常検出に有用な情報をもたらし,モデルがベースラインを上回っていることが確認された。
  論文  参考訳（メタデータ） (2024-06-05T20:19:09Z)
• ECC Analyzer: Extract Trading Signal from Earnings Conference Calls using Large Language Model for Stock Performance Prediction [7.358590821647365]
  本研究は, 大規模言語モデル(LLM)を用いてECCからよりリッチで予測性の高いコンテンツを抽出する, textbfECC Analyzer という新しいフレームワークを紹介する。 我々は、事前訓練された大規模モデルを用いて、ECCからテキストや音声の特徴を抽出し、階層的な情報抽出戦略を実装し、よりきめ細かい情報を抽出する。 実験により,本モデルが従来の分析ベンチマークより優れていることが示された。
  論文  参考訳（メタデータ） (2024-04-29T07:11:39Z)
• Towards reducing hallucination in extracting information from financial reports using Large Language Models [1.2289361708127877]
  本稿では,Large Language Models (LLMs) が業績報告書から効率的にかつ迅速に情報を抽出する方法を示す。 我々は,Q&Aシステム評価のための様々な客観的指標に基づいて,提案手法を使わずに,様々なLCMの結果を評価する。
  論文  参考訳（メタデータ） (2023-10-16T18:45:38Z)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [51.3422222472898]
  ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。 我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)
• Semantic Information Marketing in The Metaverse: A Learning-Based Contract Theory Framework [68.8725783112254]
  仮想サービスプロバイダ(VSP)によるインセンティブのメカニズム設計の問題に対処し,センサデータ販売にIoTデバイスを採用。 帯域幅が限られているため,センサIoTデバイスによる配信データを削減するためにセマンティック抽出アルゴリズムを提案する。 本稿では,新しい反復型契約設計を提案し,マルチエージェント強化学習(MARL)の新たな変種を用いて,モデル付き多次元契約問題の解法を提案する。
  論文  参考訳（メタデータ） (2023-02-22T15:52:37Z)
• Multi-Domain Transformer-Based Counterfactual Augmentation for Earnings Call Analysis [20.087027853160627]
  本稿では,市場推測のための重要なECコンテンツのタスクインスパイアされた意義を注意深く定量化するトランスフォーマーベースのECエンコーダを提案する。 次に、勾配に基づく変動を評価するための多領域対実学習フレームワークを開発する。 実世界の金融データセットの実験は、解釈可能なMTCAの有効性を示し、最先端技術のボラティリティ評価能力を14.2%精度で向上させた。
  論文  参考訳（メタデータ） (2021-12-02T03:40:17Z)
• SAIS: Supervising and Augmenting Intermediate Steps for Document-Level Relation Extraction [51.27558374091491]
  本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。 そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
  論文  参考訳（メタデータ） (2021-09-24T17:37:35Z)
• Towards Earnings Call and Stock Price Movement [7.196468151661785]
  本稿では,ディープラーニングフレームワークを用いて,その言語を転写文でモデル化することを提案する。 提案モデルが従来の機械学習ベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-23T20:38:14Z)
• Foreseeing the Benefits of Incidental Supervision [83.08441990812636]
  本稿では,実験を行なわずに,特定の目標タスクに対して,様々な種類の偶発信号の利点を定量化できるかどうかを考察する。 本稿では,PABI(PAC-Bayesian motivated informativeness measure)を提案する。
  論文  参考訳（メタデータ） (2020-06-09T20:59:42Z)

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。