論文の概要: Reasoning on Time-Series for Financial Technical Analysis
- arxiv url: http://arxiv.org/abs/2511.08616v1
- Date: Thu, 13 Nov 2025 01:00:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-13 22:34:54.145891
- Title: Reasoning on Time-Series for Financial Technical Analysis
- Title（参考訳）: 金融技術分析のための時系列の推論
- Authors: Kelvin J. L. Koa, Jan Chen, Yunshan Ma, Huanhuan Zheng, Tat-Seng Chua,
- Abstract要約: 本稿では,VTA(Verbal Technical Analysis)について紹介する。
米国、中国、欧州市場での株価データセットの実験は、VTAが最先端の予測精度を達成したことを示している。
- 参考スコア（独自算出の注目度）: 45.81831399666851
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While Large Language Models have been used to produce interpretable stock forecasts, they mainly focus on analyzing textual reports but not historical price data, also known as Technical Analysis. This task is challenging as it switches between domains: the stock price inputs and outputs lie in the time-series domain, while the reasoning step should be in natural language. In this work, we introduce Verbal Technical Analysis (VTA), a novel framework that combine verbal and latent reasoning to produce stock time-series forecasts that are both accurate and interpretable. To reason over time-series, we convert stock price data into textual annotations and optimize the reasoning trace using an inverse Mean Squared Error (MSE) reward objective. To produce time-series outputs from textual reasoning, we condition the outputs of a time-series backbone model on the reasoning-based attributes. Experiments on stock datasets across U.S., Chinese, and European markets show that VTA achieves state-of-the-art forecasting accuracy, while the reasoning traces also perform well on evaluation by industry experts.
- Abstract（参考訳）: 大規模言語モデルは、解釈可能な株価予測を生成するために使われてきたが、主にテキストレポートの分析に焦点を当てているが、歴史的価格データではなく、技術分析としても知られている。
株価の入力とアウトプットは時系列ドメインにあり、推論ステップは自然言語にあるべきです。
本稿では,言語推論と潜時推論を組み合わせた新しいフレームワークであるVerbal Technical Analysis (VTA)を紹介する。
株価データをテキストアノテーションに変換し,MSE(Mean Squared Error)報酬目標を用いて推論トレースを最適化する。
テキスト推論から時系列出力を生成するために,その属性に基づいて時系列バックボーンモデルの出力を条件付ける。
米国、中国、欧州市場での株価データセットの実験は、VTAが最先端の予測精度を達成していることを示している。
関連論文リスト
- Unlocking Reasoning Capability on Machine Translation in Large Language Models [57.60641851466707]
推論指向の大規模言語モデル(RLM)は、明示的な中間推論を生成することにより、数学やコーディングといったタスクに強い利益をもたらす。
WMT24++ベンチマークを用いて,オープンおよびクローズドヘビー級のRCMを系統的に評価した。
明示的な推論を可能にすることは、言語やモデル間の翻訳品質を一貫して低下させる。
論文 参考訳（メタデータ） (2026-02-16T14:05:59Z) - Forecasting Future Language: Context Design for Mention Markets [81.25011140991566]
我々は、参照市場における正確な予測を支援するために、入力コンテキストをどのように設計するかを検討する。
1 より豊かなコンテキストは予測性能を継続的に改善し、(2)市場条件付きプロンプト(MCP)は事前の市場確率を扱い、テキストによる証拠を用いてそれを更新し、より良いキャリブレーションの予測を得る、(3)市場確率とMCP(MixMCP)の混合が市場ベースラインを上回っている、という3つの洞察を得た。
論文 参考訳（メタデータ） (2026-02-04T12:43:31Z) - RETuning: Upgrading Inference-Time Scaling for Stock Movement Prediction with Large Language Models [37.97736341087795]
本研究では,大規模言語モデル(LLM)が,体系的かつ独立した分析論理(CoT)を示すのではなく,アナリストの意見に従うことを観察し,三クラス分類問題(アップ,ホールド,ダウン)を考察する。
本稿では,強化学習に先立つ冷間開始法である反射エビデンスチューニング(RETuning)を提案し,予測能力を向上する。
2024年全体の5,123件のAシェアストックに、長いコンテキスト(32Kトークン)と200K以上のサンプルを備えた大規模なデータセットを構築しています。
論文 参考訳（メタデータ） (2025-10-24T16:08:33Z) - VISTA: Vision-Language Inference for Training-Free Stock Time-Series Analysis [0.0]
VISTA(Vision-Language Inference for Stock Time-Series Analysis)は,マルチモーダルストック予測のためのトレーニングフリーフレームワークである。
我々は、標準ベースラインに対してVISTAをベンチマークし、ARIMAやテキストのみのLLMベースのプロンプト手法を含む。
VISTAはこれらのベースラインを最大89.83%上回り、株価時系列分析におけるマルチモーダル推論の有効性を示す。
論文 参考訳（メタデータ） (2025-05-24T07:20:14Z) - BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges [55.2480439325792]
本稿では,時系列予測や資産価格の急上昇の予測に特化して,新たな大規模言語モデル(LLM)アーキテクチャであるBreakGPTを紹介する。
我々は、最小限のトレーニングで財務予測を行うための有望なソリューションとしてBreakGPTを紹介し、局所的およびグローバルな時間的依存関係をキャプチャする強力な競合相手として紹介する。
論文 参考訳（メタデータ） (2024-11-09T05:40:32Z) - Context is Key: A Benchmark for Forecasting with Essential Textual Information [87.3175915185287]
コンテキスト is Key" (CiK) は、数値データを多種多様なテキストコンテキストと組み合わせた予測ベンチマークである。
我々は,統計モデル,時系列基礎モデル,LLMに基づく予測モデルなど,さまざまなアプローチを評価する。
提案手法は,提案するベンチマークにおいて,他の試験手法よりも優れる簡易かつ効果的なLCMプロンプト法である。
論文 参考訳（メタデータ） (2024-10-24T17:56:08Z) - XForecast: Evaluating Natural Language Explanations for Time Series Forecasting [72.57427992446698]
時系列予測は、特に正確な予測に依存するステークホルダーにとって、意思決定を支援する。
伝統的に説明可能なAI(XAI)メソッドは、機能や時間的重要性を基盤とするものであり、専門家の知識を必要とすることが多い。
時系列データにおける複雑な因果関係のため,予測NLEの評価は困難である。
論文 参考訳（メタデータ） (2024-10-18T05:16:39Z) - StockTime: A Time Series Specialized Large Language Model Architecture for Stock Price Prediction [13.52020491768311]
株価時系列データに特化して設計された新しいLCMベースのアーキテクチャであるStockTimeを紹介する。
最近のFinLLMとは異なり、StockTimeは特に株価時系列データのために設計されている。
このマルチモーダルデータを融合させることで、StockTimeは任意の見返り期間の株価を効果的に予測する。
論文 参考訳（メタデータ） (2024-08-25T00:50:33Z) - LLMFactor: Extracting Profitable Factors through Prompts for Explainable Stock Movement Prediction [5.519288891583653]
LLMFactorと呼ばれる新しいフレームワークを導入し、ストックムーブメントに影響を与える要因を特定する。
キーフレーズや感情分析に頼っていた従来の手法とは異なり、このアプローチは株式市場のダイナミクスとより直接的に関係する要因を抽出することに焦点を当てている。
当社の枠組みは,LCMに対して,包括的戦略を通じて背景知識の創出を指示し,関連ニュースから株価に影響を及ぼす潜在的な要因を識別する。
論文 参考訳（メタデータ） (2024-06-16T06:20:50Z) - Natural Language Processing and Multimodal Stock Price Prediction [0.8702432681310401]
本稿では,従来の生通貨価値の活用とは対照的に,株価変動をトレーニングデータとして活用する。
パーセンテージの変化の選択は、価格変動の重要性に関する文脈をモデルに提供することを目的としている。
この研究は、株価トレンドを予測するために、特別なBERT自然言語処理モデルを用いている。
論文 参考訳（メタデータ） (2024-01-03T01:21:30Z)
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。