論文の概要: BondBERT: What we learn when assigning sentiment in the bond market

• arxiv url: http://arxiv.org/abs/2511.01869v1
• Date: Tue, 21 Oct 2025 09:18:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-09 16:58:40.048053
• Title: BondBERT: What we learn when assigning sentiment in the bond market
• Title（参考訳）: BondBERT: 債券市場における感情の割り当てで学んだこと
• Authors: Toby Barter, Zheng Gao, Eva Christodoulaki, Jing Chen, John Cartlidge,
• Abstract要約: 債券市場は株式市場と比べてマクロ経済のニュースに異なる反応を示す。 FinBERTを含むほとんどの感情モデルは、主に一般的な金融または株式のニュースデータに基づいて訓練されている。 本稿では,ボンド固有ニュースを微調整したトランスフォーマーベース言語モデルである BondBERT を紹介する。
• 参考スコア（独自算出の注目度）: 5.914817449895728
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bond markets respond differently to macroeconomic news compared to equity markets, yet most sentiment models, including FinBERT, are trained primarily on general financial or equity news data. This mismatch is important because bond prices often move in the opposite direction to economic optimism, making general or equity-based sentiment tools potentially misleading. In this paper, we introduce BondBERT, a transformer-based language model fine-tuned on bond-specific news. BondBERT can act as the perception and reasoning component of a financial decision-support agent, providing sentiment signals that integrate with forecasting models. It is a generalisable framework for adapting transformers to low-volatility, domain-inverse sentiment tasks by compiling and cleaning 30,000 UK bond market articles (2018--2025) for training, validation, and testing. We compare BondBERT's sentiment predictions against FinBERT, FinGPT, and Instruct-FinGPT using event-based correlation, up/down accuracy analyses, and LSTM forecasting across ten UK sovereign bonds. We find that BondBERT consistently produces positive correlations with bond returns, achieves higher alignment and forecasting accuracy than the three baseline models, with lower normalised RMSE and higher information coefficient. These results demonstrate that domain-specific sentiment adaptation better captures fixed income dynamics, bridging a gap between NLP advances and bond market analytics.
• Abstract（参考訳）: 債券市場は、株式市場と比較してマクロ経済のニュースに異なる反応をするが、FinBERTを含むほとんどの感情モデルは、主に一般的な金融または株式のニュースデータに基づいて訓練されている。 このミスマッチは、債券価格が経済楽観主義と反対方向に動くことが多く、一般または株式ベースのセンチメントツールが誤解を招く可能性があるため重要である。 本稿では,ボンド固有ニュースを微調整したトランスフォーマーベース言語モデルであるBandBERTを紹介する。 BondBERTは、金融決定支援エージェントの認識と推論の構成要素として機能し、予測モデルと統合された感情信号を提供する。 トランスフォーマーを低ボラティリティ、ドメイン逆感情タスクに適応するための一般的なフレームワークであり、トレーニング、検証、テストのために3万の英国債券市場記事(2018-2025)をコンパイルし、クリーニングする。 本研究では,FinBERT,FinGPT,Instruct-FinGPTに対するBinBERTの感情予測を,事象相関,アップ/ダウン精度解析,LSTMの10国債に対する予測を用いて比較した。 その結果,ボンドバーストは3つのベースラインモデルよりも高いアライメントと予測精度を実現し,より低い正規化RMSEと高い情報係数が得られることがわかった。 これらの結果は、NLPの進歩と債券市場分析のギャップを埋めることで、ドメイン固有の感情適応が固定所得動態をよりよく捉えていることを示している。

関連論文リスト

• Can We Reliably Predict the Fed's Next Move? A Multi-Modal Approach to U.S. Monetary Policy Forecasting [2.6396287656676733]
  本研究では、構造化データと連邦準備制度の通信からの非構造化テキスト信号を統合することにより、予測精度を向上させることができるかどうかを検討する。 以上の結果から,ハイブリッドモデルは単調なベースラインを一貫して上回ることがわかった。 金融政策予測では、より単純なハイブリッドモデルは正確性と解釈可能性の両方を提供し、研究者と意思決定者に実用的な洞察を提供する。
  論文  参考訳（メタデータ） (2025-06-28T05:54:58Z)
• Supervised Similarity for High-Yield Corporate Bonds with Quantum Cognition Machine Learning [0.8706730566331037]
  企業債券市場における距離メトリック学習への量子認知機械学習(QCML)の適用について検討する。 QCMLは、高利回り(HY)市場では古典的ツリーベースモデルよりも優れており、投資適格(IG)市場では同等またはより良いパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-02-03T16:28:44Z)
• Predicting Stock Prices with FinBERT-LSTM: Integrating News Sentiment Analysis [2.7921137693344384]
  我々は、株価の歴史と金融、ビジネス、技術ニュースに基づくディープラーニングネットワークを使用し、株価を予測するために市場情報を導入しています。 我々はファイナンシャルテキスト中の感情を識別するために、FinBERTとして知られる事前学習NLPモデルを開発した。 このモデルは、市場構造階層、すなわち、市場、産業、および株価関連ニュースカテゴリに関するニュースカテゴリと、前週の株式市場の株価状況を組み合わせて予測する。
  論文  参考訳（メタデータ） (2024-07-23T03:26:07Z)
• Can ChatGPT Compute Trustworthy Sentiment Scores from Bloomberg Market Wraps? [0.0]
  本稿では、ChatGPTと2段階のプロンプトアプローチを用いて、世界ニュースの見出しが株式市場の動きにどのように影響するかを検討する。 我々は、感情スコアと将来の株式市場との統計的に有意な正の相関関係を短期から中期にわたって報告し、より長い地平線に対する負の相関関係に回帰する。
  論文  参考訳（メタデータ） (2024-01-09T10:34:19Z)
• Transforming Sentiment Analysis in the Financial Domain with ChatGPT [0.07499722271664146]
  本研究では,金融感情分析における大規模言語モデル,特にChatGPT 3.5の可能性について検討する。 ChatGPTは、感情分類で約35%向上し、市場リターンと36%高い相関を示した。 この研究は、特にゼロショットの文脈において、迅速なエンジニアリングの重要性を浮き彫りにすることで、ChatGPTが金融アプリケーションにおける感情分析を大幅に強化する可能性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2023-08-13T09:20:47Z)
• Joint Latent Topic Discovery and Expectation Modeling for Financial Markets [45.758436505779386]
  金融市場分析のための画期的な枠組みを提示する。 このアプローチは、投資家の期待を共同でモデル化し、潜伏する株価関係を自動的に掘り下げる最初の方法だ。 私たちのモデルは年率10%を超えるリターンを継続的に達成します。
  論文  参考訳（メタデータ） (2023-06-01T01:36:51Z)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [48.87381259980254]
  我々は、ChatGPTのような大規模言語モデル(LLM)が、直接の金融トレーニングなしでニュースの見出しから株式市場の反応を予測する能力について文書化している。 GPT-4は、認識後カットオフの見出しを使って、最初の市場の反応を捉え、取引不能な初期反応に対して、ポートフォリオの1日当たりのヒット率を約90%達成している。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)
• Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
  本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。 ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。 2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
  論文  参考訳（メタデータ） (2021-09-14T18:50:38Z)
• A Sentiment Analysis Approach to the Prediction of Market Volatility [62.997667081978825]
  金融ニュースとツイートから抽出された感情とFTSE100の動きの関係を調べました。 ニュース見出しから得られた感情は、市場のリターンを予測するシグナルとして使われる可能性があるが、ボラティリティには当てはまらない。 我々は,新たな情報の到着に応じて,市場の変動を予測するための正確な分類器を開発した。
  論文  参考訳（メタデータ） (2020-12-10T01:15:48Z)

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。