論文の概要: Advancing Financial Engineering with Foundation Models: Progress, Applications, and Challenges

• arxiv url: http://arxiv.org/abs/2507.18577v1
• Date: Mon, 07 Jul 2025 16:06:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-27 08:26:15.958153
• Title: Advancing Financial Engineering with Foundation Models: Progress, Applications, and Challenges
• Title（参考訳）: ファウンデーションモデルによる金融工学の推進:進歩、応用、課題
• Authors: Liyuan Chen, Shuoling Liu, Jiangpeng Yan, Xiaoyu Wang, Henglin Liu, Chuang Li, Kecheng Jiao, Jixuan Ying, Yang Veronica Liu, Qiang Yang, Xiu Li,
• Abstract要約: ファイナンシャル・ファンデーション・モデル(英: Financial Foundation Models、FFM)は、金融のために明示的に設計された新しいモデルのクラスである。 本調査では,FFMの包括的概要と,3つの主要な指標にまたがる分類について概説する。 アーキテクチャ、トレーニング方法論、データセット、および現実世界のアプリケーションについてレビューする。
• 参考スコア（独自算出の注目度）: 28.826156528571424
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The advent of foundation models (FMs) - large-scale pre-trained models with strong generalization capabilities - has opened new frontiers for financial engineering. While general-purpose FMs such as GPT-4 and Gemini have demonstrated promising performance in tasks ranging from financial report summarization to sentiment-aware forecasting, many financial applications remain constrained by unique domain requirements such as multimodal reasoning, regulatory compliance, and data privacy. These challenges have spurred the emergence of Financial Foundation Models (FFMs) - a new class of models explicitly designed for finance. This survey presents a comprehensive overview of FFMs, with a taxonomy spanning three key modalities: Financial Language Foundation Models (FinLFMs), Financial Time-Series Foundation Models (FinTSFMs), and Financial Visual-Language Foundation Models (FinVLFMs). We review their architectures, training methodologies, datasets, and real-world applications. Furthermore, we identify critical challenges in data availability, algorithmic scalability, and infrastructure constraints, and offer insights into future research opportunities. We hope this survey serves as both a comprehensive reference for understanding FFMs and a practical roadmap for future innovation. An updated collection of FFM-related publications and resources will be maintained on our website https://github.com/FinFM/Awesome-FinFMs.
• Abstract（参考訳）: ファンデーションモデル(FM) - 強力な一般化能力を持つ大規模事前訓練モデル - の出現により、金融工学の新たなフロンティアが開かれた。 GPT-4やGeminiのような汎用FMは、財務報告の要約から感情認識予測に至るまでのタスクにおいて有望な性能を示したが、多くの金融アプリケーションは、マルチモーダル推論、規制コンプライアンス、データプライバシといったユニークなドメイン要件によって制約を受け続けている。 これらの課題はファイナンシャル・ファンデーション・モデル(FFM)の出現に拍車をかけた。 本調査では、FinLFMs(FinLFMs)、FinTSFMs(FinTSFMs)、FinVLFMs(FinVLFMs)、FinVLFMs(FinVLFMs)、FinVLFMs(FinVLFMs)、FinVLFMs(FinVLFMs)、FinVLFMs(Financial Visual-Language Foundation Models)、FinVLFMs(Financial Visual-Language Foundation Models)、FinTSFMs(FinTSFMs)、FinTSFMs(FinTSFMs)、FinVLFMs(FinVLFMs)、FinVLFMs(FinVLFMs)、FinTSFMs(FinTSFMs)、FinTSFMs(FinTSFMs)の アーキテクチャ、トレーニング方法論、データセット、および現実世界のアプリケーションについてレビューする。 さらに、データの可用性、アルゴリズムのスケーラビリティ、インフラストラクチャの制約における重要な課題を特定し、将来の研究機会について洞察を提供する。 この調査が、FFMを理解するための包括的なリファレンスであり、将来のイノベーションのための実践的なロードマップになることを願っています。 FFM関連の出版物とリソースの更新は、我々のウェブサイト https://github.com/FinFM/Awesome-FinFMs.comで維持されます。

関連論文リスト

• Graph Foundation Models: A Comprehensive Survey [66.74249119139661]
  Graph Foundation Models (GFMs)は、構造化データにスケーラブルで汎用的なインテリジェンスを提供することを目指している。 この調査は、GFMの概要を包括的に提供し、モジュラーフレームワークの下での多様な取り組みを統合する。 GFMは構造化データに対するオープンエンド推論の基盤となる。
  論文  参考訳（メタデータ） (2025-05-21T05:08:00Z)
• FinDER: Financial Dataset for Question Answering and Evaluating Retrieval-Augmented Generation [63.55583665003167]
  ファイナンスにおけるRetrieval-Augmented Generation(RAG)に適したエキスパート生成データセットであるFinDERを提案する。 FinDERは、ドメインの専門家による検索関連証拠の注釈付けに重点を置いており、5,703のクエリ・エビデンス・アンサー・トリプルを提供している。 大きなコーパスから関連する情報を取得するためにモデルに挑戦することで、FinDERはRAGシステムを評価するためのより現実的なベンチマークを提供する。
  論文  参考訳（メタデータ） (2025-04-22T11:30:13Z)
• LLMs Meet Finance: Fine-Tuning Foundation Models for the Open FinLLM Leaderboard [4.629032441868537]
  我々はOpen FinLLM Leaderboardをベンチマークとして基礎モデルを微調整した。 我々は、金融能力を高めるために、教師付き微調整(SFT)、直接選好最適化(DPO)、強化学習(RL)などの手法を採用した。
  論文  参考訳（メタデータ） (2025-04-17T17:42:02Z)
• FinMTEB: Finance Massive Text Embedding Benchmark [18.990655668481075]
  金融分野向けに設計されたMTEBに特化して開発されたFinMTEB(FinMTEB)について紹介する。 FinMTEBは、7つのタスクにまたがる64の金融ドメイン固有の埋め込みデータセットで構成されている。 1)汎用ベンチマークのパフォーマンスは,金融ドメインタスクとの相関が限定されていること,(2)ドメイン適応モデルの方が汎用タスクより一貫して優れていること,(3)意外なことに,単純なBag-of-Wordsアプローチは,金融セマンティックテクスチャ類似タスクにおける高度に密着した埋め込みよりも優れていること,の3つの重要な結果を示す。
  論文  参考訳（メタデータ） (2025-02-16T04:23:52Z)
• Open-FinLLMs: Open Multimodal Large Language Models for Financial Applications [88.96861155804935]
  オープンソースのマルチモーダル金融 LLM である textitOpen-FinLLMs を紹介する。 FinLLaMAは52ビリオンのトーケンコーパス、FinLLaMA-Instructは573Kの財務命令で微調整され、FinLLaVAは1.43Mのマルチモーダルチューニングペアで強化されている。 我々は、14の財務タスク、30のデータセット、および4つのマルチモーダルタスクにわたるOpen-FinLLMをゼロショット、少数ショット、教師付き微調整設定で評価した。
  論文  参考訳（メタデータ） (2024-08-20T16:15:28Z)
• SNFinLLM: Systematic and Nuanced Financial Domain Adaptation of Chinese Large Language Models [6.639972934967109]
  大規模言語モデル (LLM) は、金融業界において自然言語処理を推進するための強力なツールとなっている。 SNFinLLMという中国の金融ドメイン向けに設計された新しい大規模言語モデルを提案する。 SNFinLLMは、質問への回答、財務調査レポートの要約、感情の分析、財務計算の実行など、ドメイン固有のタスクに優れています。
  論文  参考訳（メタデータ） (2024-08-05T08:24:24Z)
• 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)
• FinGPT: Instruction Tuning Benchmark for Open-Source Large Language Models in Financial Datasets [9.714447724811842]
  本稿では,オープンソースの大規模言語モデルに対して,インストラクションチューニングパラダイムに固有のアプローチを導入する。 私たちは、オープンソースのモデルの相互運用性に乗じて、シームレスで透過的な統合を確保します。 本稿では,エンドツーエンドのトレーニングとテストのためのベンチマーク手法を提案し,費用対効果を生かした。
  論文  参考訳（メタデータ） (2023-10-07T12:52:58Z)
• FinGPT: Open-Source Financial Large Language Models [20.49272722890324]
  我々は金融セクター向けのオープンソースの大規模言語モデルFinGPTを提案する。 プロプライエタリなモデルとは異なり、FinGPTはデータ中心のアプローチを採用し、研究者や実践者にアクセスしやすく透明なリソースを提供する。 ロボアドバイス,アルゴリズムトレーディング,ローコード開発など,ユーザにとってのステップストーンとして,潜在的な応用例をいくつか紹介する。
  論文  参考訳（メタデータ） (2023-06-09T16:52:00Z)
• 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)
• FinQA: A Dataset of Numerical Reasoning over Financial Data [52.7249610894623]
  我々は、大量の財務文書の分析を自動化することを目的として、財務データに関する深い質問に答えることに重点を置いている。 我々は,金融専門家が作成した財務報告に対して質問回答のペアを用いた,新たな大規模データセットFinQAを提案する。 その結果、人気があり、大規模で、事前訓練されたモデルは、金融知識を得るための専門的な人間には程遠いことが示される。
  論文  参考訳（メタデータ） (2021-09-01T00:08:14Z)

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。