論文の概要: A Large Language Model for Corporate Credit Scoring

• arxiv url: http://arxiv.org/abs/2511.02593v1
• Date: Tue, 04 Nov 2025 14:15:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:06.066895
• Title: A Large Language Model for Corporate Credit Scoring
• Title（参考訳）: 企業クレジットスコーリングのための大規模言語モデル
• Authors: Chitro Majumdar, Sergio Scandizzo, Ratanlal Mahanta, Avradip Mandal, Swarnendu Bhattacharjee,
• Abstract要約: 我々は、構造化財務データと高度な機械学習を組み合わせた企業クレジットスコアリングのためのフレームワークであるOmega2を紹介し、予測信頼性と解釈可能性を改善する。 我々は,Omega2を,Moody,Standard & Poor's,Fitch,Egan-Jonesから抽出した企業信用格付け7,800件のマルチ緊急データセットで評価した。
• 参考スコア（独自算出の注目度）: 0.18762753243053631
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We introduce Omega^2, a Large Language Model-driven framework for corporate credit scoring that combines structured financial data with advanced machine learning to improve predictive reliability and interpretability. Our study evaluates Omega^2 on a multi-agency dataset of 7,800 corporate credit ratings drawn from Moody's, Standard & Poor's, Fitch, and Egan-Jones, each containing detailed firm-level financial indicators such as leverage, profitability, and liquidity ratios. The system integrates CatBoost, LightGBM, and XGBoost models optimized through Bayesian search under temporal validation to ensure forward-looking and reproducible results. Omega^2 achieved a mean test AUC above 0.93 across agencies, confirming its ability to generalize across rating systems and maintain temporal consistency. These results show that combining language-based reasoning with quantitative learning creates a transparent and institution-grade foundation for reliable corporate credit-risk assessment.
• Abstract（参考訳）: Omega^2は、構造化金融データと高度な機械学習を組み合わせて予測信頼性と解釈可能性を向上させる、企業クレジットスコアリングのための大規模言語モデル駆動フレームワークである。 本研究は,Omega^2を,Moody,Standard & Poor's,Fitch,Egan-Jonesから抽出した企業信用格付け7,800件のマルチ緊急データセットを用いて評価した。 CatBoost、LightGBM、XGBoostのモデルを統合し、ベイジアン検索で時間的検証を行い、前方視と再現可能な結果を保証する。 Omega^2は0.93を超える平均的なAUCを機関間で達成し、評価システム全体の一般化と時間的整合性を維持する能力を確認した。 これらの結果は,言語に基づく推論と定量的学習を組み合わせることで,信頼度の高い企業信用リスク評価のための透明で制度レベルの基盤が生まれることを示している。

関連論文リスト

• FinAuditing: A Financial Taxonomy-Structured Multi-Document Benchmark for Evaluating LLMs [40.216867348210265]
  FinAuditingは、財務監査タスクを評価するための最初の分類基準であり、構造を意識したマルチドキュメントのベンチマークである。 本物のアメリカ製である。 FinAuditingは3つの補完的なサブタスク、セマンティック一貫性のためのFinSM、リレーショナル一貫性のためのFinRE、数値一貫性のためのFinMRを定義している。 13の最先端のLCMに関する大規模なゼロショット実験は、現在のモデルが意味論、関係論、数学的次元で矛盾なく機能することを明らかにする。
  論文  参考訳（メタデータ） (2025-10-10T00:41:55Z)
• Can Large Language Models Express Uncertainty Like Human? [71.27418419522884]
  我々は,人間に注釈を付けた信頼スコアを持つヘッジ式の最初の多種多様な大規模データセットをリリースする。 現代大言語モデルにまたがる言語信頼に関する最初の体系的研究を行う。
  論文  参考訳（メタデータ） (2025-09-29T02:34:30Z)
• Enhancing Credit Risk Prediction: A Meta-Learning Framework Integrating Baseline Models, LASSO, and ECOC for Superior Accuracy [7.254744067646655]
  本研究では,複数の相補的モデルを合成する包括的メタラーニングフレームワークを提案する。 我々は,全ての構成モデルにまたがる予測クラスに対して,置換特徴重要度分析を実装した。 その結果,我々の枠組みは,財務組織分類の精度を著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2025-09-26T14:09:04Z)
• A Comparative Benchmark of Large Language Models for Labelling Wind Turbine Maintenance Logs [0.0]
  本稿では,複雑な産業記録を分類する作業において,LLM(Large Language Models)をベンチマークするためのフレームワークを提案する。 透明性を促進し、さらなる研究を促進するため、このフレームワークはオープンソースツールとして公開されている。 明確なパフォーマンス階層を定量化し、ベンチマーク標準と高い整合性を示すトップモデルを特定します。
  論文  参考訳（メタデータ） (2025-09-08T15:48:17Z)
• LLMEval-3: A Large-Scale Longitudinal Study on Robust and Fair Evaluation of Large Language Models [51.55869466207234]
  静的ベンチマークにおけるLLM(Large Language Models)の既存の評価は、データの汚染やリーダーボードのオーバーフィッティングに弱い。 LLMの動的評価のためのフレームワークであるLLMEval-3を紹介する。 LLEval-3は、220kの卒業生レベルの質問からなるプロプライエタリなバンク上に構築されており、評価実行毎に未確認のテストセットを動的にサンプリングする。
  論文  参考訳（メタデータ） (2025-08-07T14:46:30Z)
• MetaFaith: Faithful Natural Language Uncertainty Expression in LLMs [66.14178164421794]
  メタファイト(MetaFaith)は、ヒトのメタ認知に触発された新規なプロンプトベースのキャリブレーション手法である。 MetaFaithは多種多様なモデルやタスク領域における忠実なキャリブレーションを強力に改善し、忠実度を最大61%向上させることができることを示す。
  論文  参考訳（メタデータ） (2025-05-30T17:54:08Z)
• Evaluating Large Language Models on Financial Report Summarization: An Empirical Study [9.28042182186057]
  我々は3つの最先端大言語モデル(LLM)の比較研究を行っている。 我々の主な動機は、これらのモデルがどのように金融の中で活用できるかを探求することであり、正確さ、文脈的関連性、誤った情報や誤解を招く情報に対する堅牢性を要求する分野である。 本稿では,定量的メトリクス(精度,リコールなど)と質的分析(コンテキスト適合性,一貫性など)を統合し,各モデルの出力品質の全体像を提供する,革新的な評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-11T10:36:04Z)
• 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)
• 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)

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。