論文の概要: FinZero: Launching Multi-modal Financial Time Series Forecast with Large Reasoning Model

• arxiv url: http://arxiv.org/abs/2509.08742v1
• Date: Wed, 10 Sep 2025 16:32:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-11 15:16:52.507111
• Title: FinZero: Launching Multi-modal Financial Time Series Forecast with Large Reasoning Model
• Title（参考訳）: FinZero:大規模推論モデルによるマルチモーダルファイナンシャル時系列予測のローンチ
• Authors: Yanlong Wang, Jian Xu, Fei Ma, Hongkang Zhang, Hang Yu, Tiantian Gao, Yu Wang, Haochen You, Shao-Lun Huang, Danny Dongning Sun, Xiao-Ping Zhang,
• Abstract要約: FinZeroは、FVLDBファイナンシャル時系列の推論、予測、分析的理解を行うために、UARPOによって微調整されたマルチモーダル事前訓練モデルである。 UARPOで微調整した後、FinZeroは高信頼グループのGPT-4oよりも予測精度が約13.48%向上した。
• 参考スコア（独自算出の注目度）: 27.20045729222667
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Financial time series forecasting is both highly significant and challenging. Previous approaches typically standardized time series data before feeding it into forecasting models, but this encoding process inherently leads to a loss of important information. Moreover, past time series models generally require fixed numbers of variables or lookback window lengths, which further limits the scalability of time series forecasting. Besides, the interpretability and the uncertainty in forecasting remain areas requiring further research, as these factors directly impact the reliability and practical value of predictions. To address these issues, we first construct a diverse financial image-text dataset (FVLDB) and develop the Uncertainty-adjusted Group Relative Policy Optimization (UARPO) method to enable the model not only output predictions but also analyze the uncertainty of those predictions. We then proposed FinZero, a multimodal pre-trained model finetuned by UARPO to perform reasoning, prediction, and analytical understanding on the FVLDB financial time series. Extensive experiments validate that FinZero exhibits strong adaptability and scalability. After fine-tuning with UARPO, FinZero achieves an approximate 13.48\% improvement in prediction accuracy over GPT-4o in the high-confidence group, demonstrating the effectiveness of reinforcement learning fine-tuning in multimodal large model, including in financial time series forecasting tasks.
• Abstract（参考訳）: 金融時系列の予測は非常に重要かつ困難である。 従来のアプローチでは、予測モデルに反映する前に時系列データを標準化していたが、この符号化プロセスは本質的に重要な情報の喪失につながる。 さらに、過去の時系列モデルは一般的に変数の固定数や見返りウィンドウの長さを必要とし、時系列予測のスケーラビリティをさらに制限します。 さらに、これらの要因が予測の信頼性と実用的価値に直接影響するため、予測の解釈可能性と不確実性は、さらなる研究を必要とする領域に留まっている。 これらの問題に対処するため,我々はまずFVLDB(多様な財務画像テキストデータセット)を構築し,不確実性適応型グループ相対ポリシー最適化(UARPO)手法を開発し,モデルが予測を出力するだけでなく,それらの予測の不確実性を分析する。 次に,FinZeroを提案する。FVLDBファイナンシャル時系列の推論,予測,解析的理解を行うために,UARPOによって微調整されたマルチモーダル事前学習モデルである。 大規模な実験は、FinZeroが強力な適応性とスケーラビリティを示すことを実証している。 UARPOによる微調整の後、FinZeroは高信頼グループにおけるGPT-4oよりも約13.48倍の精度向上を実現し、財務時系列予測タスクを含む多モード大モデルにおける強化学習微調整の有効性を実証した。

関連論文リスト

• Measuring Time Series Forecast Stability for Demand Planning [0.0]
  時系列予測はサプライチェーンの需要計画を作成するための重要な第一歩だ。 プロダクションシステムでは、要求プランナーは漸進的な精度の改善よりも一貫性と安定性を重んじることが多い。 アンサンブルモデルでは,予測精度を著しく劣化させる(あるいは改善する)ことなく,安定性が向上することを示す。
  論文  参考訳（メタデータ） (2025-08-13T04:21:37Z)
• Rating Multi-Modal Time-Series Forecasting Models (MM-TSFM) for Robustness Through a Causal Lens [10.103561529332184]
  ノイズや不正なデータによる不正確さが誤った予測につながるような,マルチモーダルな時系列予測に重点を置いている。 本稿では,マルチモーダル時系列予測モデルのロバスト性を評価するための評価手法を提案する。
  論文  参考訳（メタデータ） (2024-06-12T17:39:16Z)
• Enhancing Mean-Reverting Time Series Prediction with Gaussian Processes: Functional and Augmented Data Structures in Financial Forecasting [0.0]
  本稿では,ガウス過程(GP)を基礎構造を持つ平均回帰時系列の予測に適用する。 GPは、平均予測だけでなく、将来の軌道上の確率分布全体を予測する可能性を提供する。 これは、不正なボラティリティ評価が資本損失につながる場合、正確な予測だけでは十分でない金融状況において特に有益である。
  論文  参考訳（メタデータ） (2024-02-23T06:09:45Z)
• Loss Shaping Constraints for Long-Term Time Series Forecasting [79.3533114027664]
  本稿では,長期時系列予測のための制約付き学習手法を提案する。 提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-14T18:20:44Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Global Neural Networks and The Data Scaling Effect in Financial Time Series Forecasting [5.299784478982814]
  本研究では,データスカース環境下でのモデル推定の従来の手法が,先行研究で観測された混合経験的性能を損なう可能性を実証する。 我々は1万以上のグローバル株からなるデータセットを採用し、横断的に情報をプールするグローバルな評価戦略を実装している。
  論文  参考訳（メタデータ） (2023-09-05T09:18:45Z)
• Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
  長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。 多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。 深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。 本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-18T16:21:15Z)
• Low-Rank Temporal Attention-Augmented Bilinear Network for financial time-series forecasting [93.73198973454944]
  ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。 近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。 本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
  論文  参考訳（メタデータ） (2021-07-05T10:15:23Z)

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。