論文の概要: Modeling and Detecting Company Risks from News: A Case Study in Bloomberg News
- arxiv url: http://arxiv.org/abs/2508.10927v1
- Date: Sun, 10 Aug 2025 22:44:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-18 14:51:23.579038
- Title: Modeling and Detecting Company Risks from News: A Case Study in Bloomberg News
- Title（参考訳）: ニュースから企業のリスクをモデル化・検出する:Bloomberg Newsのケーススタディ
- Authors: Jiaxin Pei, Soumya Vadlamannati, Liang-Kang Huang, Daniel Preotiuc-Pietro, Xinyu Hua,
- Abstract要約: 我々は,ニュース記事から企業のリスク要因を自動的に抽出する計算フレームワークを構築した。
提案したスキーマは,サプライチェーン,規制,競争など,7つの異なる側面から構成される。
われわれはBloombergのニュース記事を277万件以上分析し、ニュースからリスク要因を特定することが企業や産業の運営に広範な洞察を与える可能性があることを実証した。
- 参考スコア（独自算出の注目度）: 20.739295153579317
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Identifying risks associated with a company is important to investors and the well-being of the overall financial market. In this study, we build a computational framework to automatically extract company risk factors from news articles. Our newly proposed schema comprises seven distinct aspects, such as supply chain, regulations, and competitions. We sample and annotate 744 news articles and benchmark various machine learning models. While large language models have achieved huge progress in various types of NLP tasks, our experiment shows that zero-shot and few-shot prompting state-of-the-art LLMs (e.g. LLaMA-2) can only achieve moderate to low performances in identifying risk factors. And fine-tuned pre-trained language models are performing better on most of the risk factors. Using this model, we analyze over 277K Bloomberg news articles and demonstrate that identifying risk factors from news could provide extensive insight into the operations of companies and industries.
- Abstract（参考訳）: 企業に関連するリスクの特定は、投資家や金融市場全体の健全性にとって重要である。
本研究では,ニュース記事から企業のリスク要因を自動的に抽出する計算フレームワークを構築した。
提案したスキーマは,サプライチェーン,規制,競争など,7つの異なる側面から構成される。
我々は744のニュース記事のサンプルと注釈を作成し、さまざまな機械学習モデルをベンチマークする。
大規模言語モデルは多種多様なNLPタスクにおいて大きな進歩を遂げてきたが、我々はゼロショットと少数ショットにより、最先端のLLM(eg LLaMA-2)がリスク要因の同定において中程度から低い性能しか達成できないことを示した。
そして、微調整された事前訓練された言語モデルは、ほとんどのリスクファクターでより良いパフォーマンスを保っています。
このモデルを用いて、Bloombergの277万以上のニュース記事を分析し、ニュースからリスク要因を特定することで、企業や産業の運営に関する広範な洞察が得られることを実証する。
関連論文リスト
- To Trade or Not to Trade: An Agentic Approach to Estimating Market Risk Improves Trading Decisions [0.0]
大規模言語モデル(LLM)はますますエージェントフレームワークにデプロイされている。
我々は LLM を用いて金融時系列の微分方程式を反復的に発見するエージェントシステムを開発した。
モデルインフォームドトレーディング戦略は標準LLMエージェントよりも優れていた。
論文 参考訳（メタデータ） (2025-07-11T13:29:32Z) - Explainable AI for Comprehensive Risk Assessment for Financial Reports: A Lightweight Hierarchical Transformer Network Approach [1.2200609701777907]
上場企業はすべて、財務状況とリスクに関する重要な洞察を含む年間10-Kの報告書を提出している。
これらの報告から企業のリスクを自動的に評価するトランスフォーマーベースのモデルであるTiny eXplainable Risk Assessor(TinyXRA)を提案する。
TinyXRAは、より包括的なリスク評価のために、歪み、硬変、およびソルティーノ比を取り入れている。
論文 参考訳（メタデータ） (2025-06-30T12:13:35Z) - Evaluating the Effectiveness of Large Language Models in Automated News Article Summarization [0.0]
大規模言語モデル(LLM)は、大量のテキストデータを簡潔な要約に変換する能力を示した。
本稿では,LLMを用いたサプライチェーンリスク分析のためのニュース自動要約システムを開発した。
論文 参考訳（メタデータ） (2025-02-24T13:27:46Z) - Navigating the Risks: A Survey of Security, Privacy, and Ethics Threats in LLM-Based Agents [67.07177243654485]
この調査は、大規模言語モデルに基づくエージェントが直面するさまざまな脅威を収集、分析する。
LLMをベースとしたエージェントの6つの重要な特徴を概説する。
4つの代表エージェントをケーススタディとして選択し,実践的に直面する可能性のあるリスクを分析した。
論文 参考訳（メタデータ） (2024-11-14T15:40:04Z) - Safety vs. Performance: How Multi-Objective Learning Reduces Barriers to Market Entry [86.79268605140251]
我々は、大規模言語モデルのための新興市場への参入に必要となる障壁が存在するかどうかを調査する。
要求されるデータポイント数は、既存の企業のデータセットサイズよりも大幅に小さくなることを示します。
以上の結果から,多目的的考察が参入障壁を根本的に低減することを示す。
論文 参考訳（メタデータ） (2024-09-05T17:45:01Z) - Towards Probing Speech-Specific Risks in Large Multimodal Models: A Taxonomy, Benchmark, and Insights [50.89022445197919]
本研究は,8つのリスクカテゴリーを敵意(悪意的皮肉と脅し),悪意的模倣(年齢,性別,民族),ステレオタイプ的バイアス(年齢,性別,民族)を対象とする音声特異的リスク分類法を提案する。
分類に基づいて,これらのリスクのカテゴリを検出するために,現在のLMM能力を評価するための小規模データセットを作成する。
論文 参考訳（メタデータ） (2024-06-25T10:08:45Z) - RiskLabs: Predicting Financial Risk Using Large Language Model based on Multimodal and Multi-Sources Data [7.76579913330606]
RiskLabsは、大規模言語モデル(LLM)を活用して、財務リスクを分析し予測する新しいフレームワークです。
マーケットのボラティリティと分散の両方を予測する上で,リスクラボの有効性が実証された。
論文 参考訳（メタデータ） (2024-04-11T03:14:50Z) - On the Societal Impact of Open Foundation Models [93.67389739906561]
ここでは、広く利用可能なモデルウェイトを持つものとして定義されている、オープンファンデーションモデルに重点を置いています。
オープンファンデーションモデルの5つの特徴を識別し,その利点とリスクを両立させる。
論文 参考訳（メタデータ） (2024-02-27T16:49:53Z) - Empowering Many, Biasing a Few: Generalist Credit Scoring through Large
Language Models [53.620827459684094]
大規模言語モデル(LLM)は、複数のタスクにまたがる強力な一般化能力を持つ信用スコアリングタスクにおいて大きな可能性を秘めている。
クレジットスコアリングのための LLM を探索する,初のオープンソース包括的フレームワークを提案する。
そこで我々は,各種金融リスク評価タスクの煩雑な要求に合わせて,指導チューニングによる最初の信用・リスク評価大言語モデル(CALM)を提案する。
論文 参考訳（メタデータ） (2023-10-01T03:50:34Z) - Factor Investing with a Deep Multi-Factor Model [123.52358449455231]
我々は、業界中立化と市場中立化モジュールを明確な財務見識をもって取り入れた、新しい深層多要素モデルを開発する。
実世界の株式市場データによるテストは、我々の深層多要素モデルの有効性を示している。
論文 参考訳（メタデータ） (2022-10-22T14:47:11Z)
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。