論文の概要: Uncovering Representation Bias for Investment Decisions in Open-Source Large Language Models

• arxiv url: http://arxiv.org/abs/2510.05702v1
• Date: Tue, 07 Oct 2025 09:10:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 17:57:08.173388
• Title: Uncovering Representation Bias for Investment Decisions in Open-Source Large Language Models
• Title（参考訳）: オープンソースの大規模言語モデルにおける投資決定のための表現バイアスの発見
• Authors: Fabrizio Dimino, Krati Saxena, Bhaskarjit Sarmah, Stefano Pasquali,
• Abstract要約: 本稿では,オープンソースのQwenモデルにおける表現バイアスに着目した。 統計的テストと分散分析を用いて、確固としたサイズと評価がモデルの信頼性を継続的に増加させることが分かる。 特定の金融カテゴリーのモデルが促されると、信頼度ランキングは基本的なデータと最もよく一致し、技術的なシグナルは適度に、そして少なくとも成長指標と一致します。
• 参考スコア（独自算出の注目度）: 0.06749750044497731
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Large Language Models are increasingly adopted in financial applications to support investment workflows. However, prior studies have seldom examined how these models reflect biases related to firm size, sector, or financial characteristics, which can significantly impact decision-making. This paper addresses this gap by focusing on representation bias in open-source Qwen models. We propose a balanced round-robin prompting method over approximately 150 U.S. equities, applying constrained decoding and token-logit aggregation to derive firm-level confidence scores across financial contexts. Using statistical tests and variance analysis, we find that firm size and valuation consistently increase model confidence, while risk factors tend to decrease it. Confidence varies significantly across sectors, with the Technology sector showing the greatest variability. When models are prompted for specific financial categories, their confidence rankings best align with fundamental data, moderately with technical signals, and least with growth indicators. These results highlight representation bias in Qwen models and motivate sector-aware calibration and category-conditioned evaluation protocols for safe and fair financial LLM deployment.
• Abstract（参考訳）: 大規模言語モデルは、投資ワークフローをサポートするために金融アプリケーションにますます採用されている。 しかし、これまでの研究では、これらのモデルが、ファームサイズ、セクター、財務特性に関連するバイアスをどのように反映しているかをほとんど調査していない。 本稿では,オープンソースのQwenモデルにおける表現バイアスに着目して,このギャップに対処する。 本稿では、約150の米国株式に対するバランスの取れたラウンドロビンプロンプト手法を提案し、制約付き復号化とトークン・ロジット・アグリゲーションを適用して、財務状況にまたがるファームレベルの信頼度を導出する。 統計的テストと分散分析を用いて、確固たるサイズと評価がモデルの信頼性を継続的に増加させるのに対し、リスク要因はそれを減らす傾向にある。 信頼性はセクターによって大きく異なり、テクノロジセクターは最大の多様性を示している。 特定の金融カテゴリーのモデルが促されると、信頼度ランキングは基本的なデータと最もよく一致し、技術的なシグナルは適度に、そして少なくとも成長指標と一致します。 これらの結果は、Qwenモデルにおける表現バイアスを強調し、安全で公正なLLMデプロイメントのためのセクター対応キャリブレーションとカテゴリ条件付き評価プロトコルを動機付けている。

関連論文リスト

• Your AI, Not Your View: The Bias of LLMs in Investment Analysis [55.328782443604986]
  大規模言語モデル(LLM)は、事前訓練されたパラメトリック知識とリアルタイム市場データとの相違により、しばしば知識の衝突に直面している。 本稿では, LLMに基づく投資分析において, 確認バイアスの定量的分析を行った。 われわれは、大口株に対する一貫した選好と、ほとんどのモデルにおけるコントラリアン戦略を観察する。
  論文  参考訳（メタデータ） (2025-07-28T16:09:38Z)
• Multi-Channel Graph Neural Network for Financial Risk Prediction of NEEQ Enterprises [0.0]
  本稿では、構造化金融指標、テキスト開示、企業関係データを統合し、総合的な金融リスク予測を行う多チャンネルディープラーニングフレームワークを提案する。 我々のモデルは、AUC、Precision、Recall、F1 Scoreの点で、従来の機械学習手法と単一モダリティベースラインを大きく上回っていることを示す。 この研究は中小企業のリスクモデリングに関する理論的および実践的な洞察を提供し、金融規制当局や投資家を支援するデータ駆動ツールを提供する。
  論文  参考訳（メタデータ） (2025-07-17T04:57:51Z)
• STORM: A Spatio-Temporal Factor Model Based on Dual Vector Quantized Variational Autoencoders for Financial Trading [55.02735046724146]
  金融取引では、ファクターモデルが資産の価格設定や過大なリターンの獲得に広く利用されている。 双対ベクトル量子化変分オートエンコーダを用いた時空間ファクトラーモデルSTORMを提案する。 ストームは時間的および空間的な視点からストックの特徴を抽出し、これらの特徴を微細で意味的なレベルで融合し整列させ、その要素を多次元の埋め込みとして表現する。
  論文  参考訳（メタデータ） (2024-12-12T17:15:49Z)
• Harnessing Earnings Reports for Stock Predictions: A QLoRA-Enhanced LLM Approach [6.112119533910774]
  本稿では、命令ベースの新しい手法と量子化低ランク適応(QLoRA)圧縮を組み合わせることで、LLM(Large Language Models)命令を微調整することで、高度なアプローチを提案する。 近年の市場指標やアナリストの成績等「外部要因」を統合して、リッチで教師付きデータセットを作成する。 この研究は、最先端のAIを微調整された財務データに統合する能力を実証するだけでなく、AI駆動の財務分析ツールを強化するための将来の研究の道を開く。
  論文  参考訳（メタデータ） (2024-08-13T04:53:31Z)
• Are LLMs Rational Investors? A Study on Detecting and Reducing the Financial Bias in LLMs [44.53203911878139]
  大規模言語モデル(LLM)は、複雑な市場データとトレンドを解釈する金融分析において、ますます採用されている。 Financial Bias Indicators (FBI)は、Bias Unveiler、Bias Detective、Bias Tracker、Bias Antidoteといったコンポーネントを備えたフレームワークである。 我々は、23のLLMを評価し、財務因果知識に基づく非バイアス化手法を提案する。
  論文  参考訳（メタデータ） (2024-02-20T04:26:08Z)
• Financial Distress Prediction For Small And Medium Enterprises Using Machine Learning Techniques [5.301137510638804]
  ファイナンシャルディストレス予測(Financial Distress Prediction)は、失敗する構造物の数と確率を正確に予測することで、経済において重要な役割を果たす。 しかし、中小企業にとっての財政難の予測は、そのあいまいさが原因で困難である。 本稿では,金融データの薄面成分分析,コーポレートガバナンスの質,および市場交換データを関連ベクタマシンに組み込んだ企業FCPモデルを提案する。
  論文  参考訳（メタデータ） (2023-02-23T15:58:30Z)
• 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。