論文の概要: FinDPO: Financial Sentiment Analysis for Algorithmic Trading through Preference Optimization of LLMs
- arxiv url: http://arxiv.org/abs/2507.18417v1
- Date: Thu, 24 Jul 2025 13:57:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-25 15:10:43.731575
- Title: FinDPO: Financial Sentiment Analysis for Algorithmic Trading through Preference Optimization of LLMs
- Title（参考訳）: FinDPO:LLMの優先度最適化によるアルゴリズム取引の財務感性分析
- Authors: Giorgos Iacovides, Wuyang Zhou, Danilo Mandic,
- Abstract要約: そこで,FinDPOについて紹介する。FinDPOは,トレーニング後の人間の嗜好のアライメントに基づく,ファイナンス固有の感情分析フレームワークである。
提案したFinDPOは、標準的な感情分類ベンチマークで最先端のパフォーマンスを達成する。
FinDPOは、毎年67%の実質的なポジティブリターンを維持し、高いリスク調整性能を維持するための、最初の感情ベースのアプローチである。
- 参考スコア（独自算出の注目度）: 2.06242362470764
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Opinions expressed in online finance-related textual data are having an increasingly profound impact on trading decisions and market movements. This trend highlights the vital role of sentiment analysis as a tool for quantifying the nature and strength of such opinions. With the rapid development of Generative AI (GenAI), supervised fine-tuned (SFT) large language models (LLMs) have become the de facto standard for financial sentiment analysis. However, the SFT paradigm can lead to memorization of the training data and often fails to generalize to unseen samples. This is a critical limitation in financial domains, where models must adapt to previously unobserved events and the nuanced, domain-specific language of finance. To this end, we introduce FinDPO, the first finance-specific LLM framework based on post-training human preference alignment via Direct Preference Optimization (DPO). The proposed FinDPO achieves state-of-the-art performance on standard sentiment classification benchmarks, outperforming existing supervised fine-tuned models by 11% on the average. Uniquely, the FinDPO framework enables the integration of a fine-tuned causal LLM into realistic portfolio strategies through a novel 'logit-to-score' conversion, which transforms discrete sentiment predictions into continuous, rankable sentiment scores (probabilities). In this way, simulations demonstrate that FinDPO is the first sentiment-based approach to maintain substantial positive returns of 67% annually and strong risk-adjusted performance, as indicated by a Sharpe ratio of 2.0, even under realistic transaction costs of 5 basis points (bps).
- Abstract（参考訳）: オンライン金融関連のテキストデータに表される意見は、取引決定や市場の動きにますます大きな影響を与えている。
この傾向は、そのような意見の性質と強みを定量化するツールとしての感情分析の重要な役割を浮き彫りにしている。
ジェネレーティブAI(GenAI)の急速な発展に伴い、金融感情分析のデファクトスタンダードとなっている。
しかし、SFTパラダイムはトレーニングデータの記憶に繋がる可能性があり、しばしば目に見えないサンプルに一般化することができない。
これは金融ドメインにおいて重要な制限であり、モデルがこれまで観測されていなかったイベントや、ドメイン固有の金融言語に適応しなければならない。
この目的のために、DPO(Direct Preference Optimization)を介して、トレーニング後の人間の嗜好アライメントに基づく、ファイナンス固有の初めてのLLMフレームワークであるFinDPOを紹介した。
提案したFinDPOは,従来の教師付き微調整モデルよりも平均11%高い精度で,標準的な感情分類ベンチマーク上での最先端性能を実現している。
FinDPOフレームワークは、離散的な感情予測を連続的なランク付け可能な感情スコア(確率)に変換する新しい'logit-to-score'変換を通じて、微調整された因果LLMを現実的なポートフォリオ戦略に統合することを可能にする。
このようにシミュレーションにより、FinDPOは5塩基点(bps)のリアルトランザクションコストであっても、毎年67%の実質的なポジティブリターンと強いリスク調整性能を維持するための最初の感情ベースのアプローチであることが示された。
関連論文リスト
- Deriving Strategic Market Insights with Large Language Models: A Benchmark for Forward Counterfactual Generation [45.29098416799838]
大きな言語モデル(LLM)は、約束を提供するが、このアプリケーションには未検討のままである。
我々はFin-Force-FINancial Forward Counterfactual Evaluationという新しいベンチマークを導入する。
これにより、将来の市場展開を探索し、予測するためのスケーラブルで自動化されたソリューションの道を開くことができる。
論文 参考訳（メタデータ） (2025-05-26T02:41:50Z) - FinTSB: A Comprehensive and Practical Benchmark for Financial Time Series Forecasting [58.70072722290475]
ファイナンシャル・タイム・シリーズ(FinTS)は、人間の脳を増強した意思決定の行動を記録する。
FinTSBは金融時系列予測のための総合的で実用的なベンチマークである。
論文 参考訳（メタデータ） (2025-02-26T05:19:16Z) - Fino1: On the Transferability of Reasoning-Enhanced LLMs and Reinforcement Learning to Finance [35.617409883103335]
FinReasonは、マルチテーブル分析、長期コンテキスト推論、方程式ベースのタスクをカバーする最初の財務推論ベンチマークである。
7つのQAデータセットから抽出した、ファイナンスのための最初のオープンな高忠実度CoTコーパスであるFinCoTを紹介する。
我々は、教師付き微調整とGRPOベースのRLを用いて訓練された最初のオープンファイナンシャル推論モデルであるFin-o1を開発した。
論文 参考訳（メタデータ） (2025-02-12T05:13:04Z) - Demystifying Domain-adaptive Post-training for Financial LLMs [79.581577578952]
FINDAPは、大規模言語モデル(LLM)のドメイン適応後学習に関する体系的できめ細かな研究である
このアプローチは、FinCap、FinRec、FinTrain、FinEvalの4つの重要なコンポーネントで構成されています。
結果として得られるモデルであるLlama-Finは、幅広い財務タスクで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-01-09T04:26:15Z) - AlphaFin: Benchmarking Financial Analysis with Retrieval-Augmented Stock-Chain Framework [48.3060010653088]
我々はAlphaFinデータセットをリリースし、従来の研究データセット、リアルタイム財務データ、手書きのチェーン・オブ・プリート(CoT)データを組み合わせています。
次に、AlphaFinデータセットを使用して、金融分析タスクを効果的に処理するために、Stock-Chainと呼ばれる最先端の手法をベンチマークします。
論文 参考訳（メタデータ） (2024-03-19T09:45:33Z) - FinLlama: Financial Sentiment Classification for Algorithmic Trading Applications [2.2661367844871854]
大規模言語モデル(LLM)はこの文脈で使用することができるが、財務に特化せず、重要な計算資源を必要とする傾向がある。
我々はLlama 2 7Bの基礎モデルに基づく新しいアプローチを導入し,その生成特性と包括的言語操作の利点を享受する。
これは、Llama2 7Bモデルを教師付き財務感情分析データの一部に微調整することで達成される。
論文 参考訳（メタデータ） (2024-03-18T22:11:00Z) - Enhancing Financial Sentiment Analysis via Retrieval Augmented Large
Language Models [11.154814189699735]
大規模な言語モデル (LLM) は様々なNLPタスクにおいて優れた性能を示した。
本稿では,金融感情分析のためのLLMフレームワークを提案する。
提案手法の精度は15%から48%向上し,F1得点を得た。
論文 参考訳（メタデータ） (2023-10-06T05:40:23Z) - 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) - Measuring Consistency in Text-based Financial Forecasting Models [10.339586273664725]
FinTrustは財務文書の論理的一貫性を評価する評価ツールである。
金融予測のための最先端NLPモデルの整合性は乏しいことを示す。
意味保存による性能劣化の分析は,現在のテキストベースの手法が市場情報の堅牢な予測に適していないことを示唆している。
論文 参考訳（メタデータ） (2023-05-15T10:32:26Z) - 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)
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。