論文の概要: Fusing Narrative Semantics for Financial Volatility Forecasting

• arxiv url: http://arxiv.org/abs/2510.20699v1
• Date: Thu, 23 Oct 2025 16:13:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:18.327727
• Title: Fusing Narrative Semantics for Financial Volatility Forecasting
• Title（参考訳）: Fusing Narrative Semantics for Financial Volatility Forecasting
• Authors: Yaxuan Kong, Yoontae Hwang, Marcus Kaiser, Chris Vryonides, Roel Oomen, Stefan Zohren,
• Abstract要約: M2VNは、金融変動予測のための新しいディープラーニングベースのフレームワークである。 時系列機能を構造化されていないニュースデータと統合する。 大規模な実験により、M2VNは既存のベースラインを一貫して上回ることを示した。
• 参考スコア（独自算出の注目度）: 7.387393341116564
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce M2VN: Multi-Modal Volatility Network, a novel deep learning-based framework for financial volatility forecasting that unifies time series features with unstructured news data. M2VN leverages the representational power of deep neural networks to address two key challenges in this domain: (i) aligning and fusing heterogeneous data modalities, numerical financial data and textual information, and (ii) mitigating look-ahead bias that can undermine the validity of financial models. To achieve this, M2VN combines open-source market features with news embeddings generated by Time Machine GPT, a recently introduced point-in-time LLM, ensuring temporal integrity. An auxiliary alignment loss is introduced to enhance the integration of structured and unstructured data within the deep learning architecture. Extensive experiments demonstrate that M2VN consistently outperforms existing baselines, underscoring its practical value for risk management and financial decision-making in dynamic markets.
• Abstract（参考訳）: 我々はM2VN: Multi-Modal Volatility Networkを紹介した。 M2VNは、ディープニューラルネットワークの表現力を活用して、この分野における2つの重要な課題に対処する。 一 不均質なデータモダリティ、数値財務データ及びテキスト情報の整列及び融合 二 金融モデルの妥当性を損なうおそれのある見落としバイアスを緩和すること。 これを実現するため、M2VNは、最近導入されたポイントインタイムLLMであるTime Machine GPTによって生成されたニュース埋め込みと、オープンソースの市場機能を組み合わせて、時間的整合性を確保する。 ディープラーニングアーキテクチャにおける構造化データと非構造化データの統合を強化するために、補助アライメント損失を導入する。 大規模な実験により、M2VNは既存のベースラインを一貫して上回り、動的市場におけるリスク管理と金融決定の実践的価値を誇示している。

関連論文リスト

• FinSight: Towards Real-World Financial Deep Research [68.31086471310773]
  FinSightは、高品質でマルチモーダルな財務報告を作成するための新しいフレームワークである。 プロフェッショナルグレードの可視化を確保するため,反復視覚強調機構を提案する。 2段階のBinging Frameworkは、簡潔な分析セグメントをコヒーレント、引用認識、マルチモーダルレポートに拡張する。
  論文  参考訳（メタデータ） (2025-10-19T14:05:35Z)
• 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)
• NewsNet-SDF: Stochastic Discount Factor Estimation with Pretrained Language Model News Embeddings via Adversarial Networks [7.014136939144529]
  NewsNet-SDFは、事前訓練された言語モデルの埋め込みと財務時系列をシームレスに統合する新しいディープラーニングフレームワークである。 私たちのデータセットには、約250万のニュース記事と1万のユニークな証券が含まれています。
  論文  参考訳（メタデータ） (2025-05-11T06:18:58Z)
• Towards Temporal-Aware Multi-Modal Retrieval Augmented Generation in Finance [79.78247299859656]
  FinTMMBenchは、ファイナンスにおける時間対応マルチモーダル検索・拡張生成システムを評価するための、最初の包括的なベンチマークである。 NASDAQ 100社の異種データから構築されたFinTMMBenchには,3つの大きなメリットがある。
  論文  参考訳（メタデータ） (2025-03-07T07:13:59Z)
• A Deep Learning Framework Integrating CNN and BiLSTM for Financial Systemic Risk Analysis and Prediction [17.6825558707504]
  本研究では、畳み込みニューラルネットワーク(CNN)と双方向長短期記憶ネットワーク(BiLSTM)を組み合わせたディープラーニングモデルを提案する。 このモデルはまずCNNを用いて金融市場の多次元特徴の局所パターンを抽出し、次にBiLSTMを通して時系列の双方向依存性をモデル化する。 その結果,従来の単一モデルよりも精度,リコール,F1スコアの点で優れていることがわかった。
  論文  参考訳（メタデータ） (2025-02-07T07:57:11Z)
• A Generative Approach to Credit Prediction with Learnable Prompts for Multi-scale Temporal Representation Learning [22.566512469446753]
  FinLangNetは、マルチスケールのシーケンシャルラーニング問題としてクレジットスコアリングを再構成する新しいフレームワークである。 大規模な評価では、FinLangNetはプロダクションXGBoostシステムを大幅に上回っている。
  論文  参考訳（メタデータ） (2024-04-19T17:01:46Z)
• AlphaFin: Benchmarking Financial Analysis with Retrieval-Augmented Stock-Chain Framework [48.3060010653088]
  我々はAlphaFinデータセットをリリースし、従来の研究データセット、リアルタイム財務データ、手書きのチェーン・オブ・プリート(CoT)データを組み合わせています。 次に、AlphaFinデータセットを使用して、金融分析タスクを効果的に処理するために、Stock-Chainと呼ばれる最先端の手法をベンチマークします。
  論文  参考訳（メタデータ） (2024-03-19T09:45:33Z)
• Modality-aware Transformer for Financial Time series Forecasting [3.401797102198429]
  我々は,textitModality-aware Transformer という,新しいマルチモーダルトランスモデルを提案する。 本モデルでは,対象とする時系列を効果的に予測するために,分類的テキストと数値的時系列の両方のパワーを探索することに長けている。 財務データセットに関する我々の実験は、Modality-aware Transformerが既存の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-10-02T14:22:41Z)
• Bilinear Input Normalization for Neural Networks in Financial Forecasting [101.89872650510074]
  本稿では,高頻度金融時系列を扱うディープニューラルネットワークのための新しいデータ駆動正規化手法を提案する。 提案手法は,財務時系列のバイモーダル特性を考慮したものである。 我々の実験は最先端のニューラルネットワークと高周波データを用いて行われ、他の正規化技術よりも大幅に改善された。
  論文  参考訳（メタデータ） (2021-09-01T07:52:03Z)
• Neural Network-based Automatic Factor Construction [58.96870869237197]
  本稿ではニューラルネットワークを用いた自動ファクタ構築(NNAFC)を提案する。 NNAFCは、金融分野の知識に基づいて、様々な金融要因を自動構築することができる。 NNAFCによって構築された新しい要因は、常にリターン、シャープ比、多要素量的投資戦略の最大引き出しを改善することができる。
  論文  参考訳（メタデータ） (2020-08-14T07:44:49Z)
• Gaussian process imputation of multiple financial series [71.08576457371433]
  金融指標、株価、為替レートなどの複数の時系列は、市場が潜んでいる状態に依存しているため、強く結びついている。 金融時系列間の関係を多出力ガウスプロセスでモデル化することで学習することに注力する。
  論文  参考訳（メタデータ） (2020-02-11T19:18:18Z)

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。