論文の概要: Forecasting Commodity Price Shocks Using Temporal and Semantic Fusion of Prices Signals and Agentic Generative AI Extracted Economic News

• arxiv url: http://arxiv.org/abs/2508.06497v1
• Date: Thu, 24 Jul 2025 20:52:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-17 22:58:06.1342
• Title: Forecasting Commodity Price Shocks Using Temporal and Semantic Fusion of Prices Signals and Agentic Generative AI Extracted Economic News
• Title（参考訳）: 価格信号の時間的・意味的融合とエージェント生成AI抽出経済ニュースを用いた商品価格の予測
• Authors: Mohammed-Khalil Ghali, Cecil Pang, Oscar Molina, Carlos Gershenson-Garcia, Daehan Won,
• Abstract要約: 本稿では、歴史的商品価格データと世界経済ニュースから派生した意味的信号を組み合わせたハイブリッド予測フレームワークを提案する。 このアーキテクチャは、二ストリーム長短期記憶(LSTM)ネットワークとアテンション機構を統合し、セマンティックに埋め込み、ファクトチェックされたニュース要約で構造化された時系列入力を融合する。 その結果,提案手法は平均AUCが0.94で,総合精度0.91が従来のベースラインを大幅に上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 2.5165775267615205
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate forecasting of commodity price spikes is vital for countries with limited economic buffers, where sudden increases can strain national budgets, disrupt import-reliant sectors, and undermine food and energy security. This paper introduces a hybrid forecasting framework that combines historical commodity price data with semantic signals derived from global economic news, using an agentic generative AI pipeline. The architecture integrates dual-stream Long Short-Term Memory (LSTM) networks with attention mechanisms to fuse structured time-series inputs with semantically embedded, fact-checked news summaries collected from 1960 to 2023. The model is evaluated on a 64-year dataset comprising normalized commodity price series and temporally aligned news embeddings. Results show that the proposed approach achieves a mean AUC of 0.94 and an overall accuracy of 0.91 substantially outperforming traditional baselines such as logistic regression (AUC = 0.34), random forest (AUC = 0.57), and support vector machines (AUC = 0.47). Additional ablation studies reveal that the removal of attention or dimensionality reduction leads to moderate declines in performance, while eliminating the news component causes a steep drop in AUC to 0.46, underscoring the critical value of incorporating real-world context through unstructured text. These findings demonstrate that integrating agentic generative AI with deep learning can meaningfully improve early detection of commodity price shocks, offering a practical tool for economic planning and risk mitigation in volatile market environments while saving the very high costs of operating a full generative AI agents pipeline.
• Abstract（参考訳）: 経済バッファーが限られている国では、商品価格の正確な予測が不可欠であり、急激な上昇は国家予算を圧迫し、輸入・回復セクターを混乱させ、食料・エネルギーの安全を損なう可能性がある。 本稿では,エージェント生成型AIパイプラインを用いて,歴史的商品価格データとグローバル経済ニュースからのセマンティック信号を組み合わせたハイブリッド予測フレームワークを提案する。 このアーキテクチャは、1960年から2023年にかけて収集された2ストリーム長短期記憶(LSTM)ネットワークとアテンション機構を統合し、セマンティックに埋め込み、ファクトチェックされたニュース要約で構造化された時系列入力を融合する。 このモデルは,正規化された商品価格系列と時間的に整列したニュース埋め込みからなる64年間のデータセットで評価する。 提案手法は,ロジスティック回帰(AUC = 0.34),ランダム森林(AUC = 0.57),サポートベクターマシン(AUC = 0.47)など,従来のベースラインをほぼ上回り,平均AUC 0.94 と総合精度 0.91 を達成している。 追加のアブレーション研究により、注意の除去や次元の縮小は性能の適度な低下を招き、ニュース成分の除去はAUCを0.46に急降下させ、非構造化テキストを通して現実世界のコンテキストを組み込むことの重要価値を強調した。 これらの結果は、エージェント生成AIとディープラーニングを統合することで、商品価格ショックの早期検出を有意義に改善し、揮発性市場環境における経済計画とリスク軽減のための実用的なツールを提供すると同時に、完全な生成AIエージェントパイプラインを運用する際の非常に高いコストを節約できることを示した。

関連論文リスト

• Generalized Linear Bandits: Almost Optimal Regret with One-Pass Update [60.414548453838506]
  非線形リンク関数を組み込んで古典線形モデルを拡張したコンテキスト型多武装バンディットフレームワークである一般化線形バンディット問題(GLB)について検討する。 GLBは現実世界のシナリオに広く適用できるが、その非線形性は計算効率と統計効率の両方を達成する上で大きな課題をもたらす。 本稿では,$mathcalO(1)$時間と1ラウンドあたりの空間複雑度をほぼ最適に再現するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-07-16T02:24:21Z)
• Cost-Optimal Active AI Model Evaluation [71.2069549142394]
  生成AIシステムの開発には、継続的な評価、データ取得、アノテーションが必要である。 我々は、安価だがしばしば不正確で弱いレーダの使用を積極的にバランスさせる新しいコスト認識手法を開発した。 我々は、弱者と強者の間で所定のアノテーション予算を割り当てるためのコスト最適化政策のファミリーを導出する。
  論文  参考訳（メタデータ） (2025-06-09T17:14:41Z)
• Time-varying Factor Augmented Vector Autoregression with Grouped Sparse Autoencoder [4.769637827387851]
  本稿では、Spyke-and-Slab Lassoを前に採用したGrouped Sparseオートエンコーダを紹介する。 時間変化パラメータをVARコンポーネントに組み込んで、進化する経済力学をよりよく捉えます。 我々の米国経済への実証的な応用は、グループスパースオートエンコーダがより解釈可能な要素を生み出すことを示す。
  論文  参考訳（メタデータ） (2025-03-06T12:37:55Z)
• Predicting Liquidity-Aware Bond Yields using Causal GANs and Deep Reinforcement Learning with LLM Evaluation [0.0]
  我々は4つの主要結合カテゴリ(AAA、BAA、US10Y)の高忠実な合成結合収率データを生成する。 我々は、取引信号、リスク評価、ボラティリティ予測を生成する微調整されたLarge Language Model (LLM) Qwen2.5-7Bを採用している。 強化学習による合成データ生成は、平均絶対誤差が0.103に達し、実世界の債券市場のダイナミクスを複製する効果を実証する。
  論文  参考訳（メタデータ） (2025-02-24T09:46:37Z)
• Predicting Bad Goods Risk Scores with ARIMA Time Series: A Novel Risk Assessment Approach [0.0]
  本研究は,時系列予測後の粗悪品の計算を目的とした独自式と時系列ARIMAモデルを統合した新しいフレームワークを提案する。 有機ビールG1リッターの2022-2024のデータセット上で実験結果が検証され、提案手法が従来の統計モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-23T09:52:11Z)
• Cross-border Commodity Pricing Strategy Optimization via Mixed Neural Network for Time Series Analysis [46.26988706979189]
  クロスボーダー商品の価格設定は、企業の競争力と市場シェアを決定する。 時系列データは商品価格において非常に重要であり、市場のダイナミクスやトレンドを明らかにすることができる。 本稿では,ハイブリッドニューラルネットワークモデルCNN-BiGRU-SSAに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-08-22T03:59:52Z)
• Probabilistic Forecasting of Real-Time Electricity Market Signals via Interpretable Generative AI [41.99446024585741]
  Weak Innovation AutoEncoderをベースとしたGenerative Probabilistic ForecastingアーキテクチャであるWIAE-GPFを提案する。 構造収束を保証する新しい学習アルゴリズムを提案し、生成した予測サンプルが基底真理条件付き確率分布と一致することを保証した。
  論文  参考訳（メタデータ） (2024-03-09T00:41:30Z)

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。