論文の概要: History Rhymes: Macro-Contextual Retrieval for Robust Financial Forecasting

• arxiv url: http://arxiv.org/abs/2511.09754v2
• Date: Sun, 16 Nov 2025 16:06:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:22.397121
• Title: History Rhymes: Macro-Contextual Retrieval for Robust Financial Forecasting
• Title（参考訳）: History Rhymes:ロバストな財務予測のためのマクロ文脈検索
• Authors: Sarthak Khanna, Armin Berger, Muskaan Chopra, David Berghaus, Rafet Sifa,
• Abstract要約: 我々は、歴史的に類似したマクロ経済体制において、各予測を基礎づける検索強化予測フレームワークであるマクロコンテキスト検索を導入する。 AAPL (2024) と XOM (2024) の17年間のS&P 500データ(2007-2023) をトレーニングし, CV と OOD のパフォーマンスギャップを一貫して狭めている。 金融史は繰り返しではなく、しばしば韻律である」という原則を運用することにより、マクロ認識検索が分布変化の下で頑健で説明可能な予測をもたらすことを示す。
• 参考スコア（独自算出の注目度）: 1.8911049192403768
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Financial markets are inherently non-stationary: structural breaks and macroeconomic regime shifts often cause forecasting models to fail when deployed out of distribution (OOD). Conventional multimodal approaches that simply fuse numerical indicators and textual sentiment rarely adapt to such shifts. We introduce macro-contextual retrieval, a retrieval-augmented forecasting framework that grounds each prediction in historically analogous macroeconomic regimes. The method jointly embeds macro indicators (e.g., CPI, unemployment, yield spread, GDP growth) and financial news sentiment in a shared similarity space, enabling causal retrieval of precedent periods during inference without retraining. Trained on seventeen years of S&P 500 data (2007-2023) and evaluated OOD on AAPL (2024) and XOM (2024), the framework consistently narrows the CV to OOD performance gap. Macro-conditioned retrieval achieves the only positive out-of-sample trading outcomes (AAPL: PF=1.18, Sharpe=0.95; XOM: PF=1.16, Sharpe=0.61), while static numeric, text-only, and naive multimodal baselines collapse under regime shifts. Beyond metric gains, retrieved neighbors form interpretable evidence chains that correspond to recognizable macro contexts, such as inflationary or yield-curve inversion phases, supporting causal interpretability and transparency. By operationalizing the principle that "financial history may not repeat, but it often rhymes," this work demonstrates that macro-aware retrieval yields robust, explainable forecasts under distributional change. All datasets, models, and source code are publicly available.
• Abstract（参考訳）: 構造的破綻とマクロ経済体制のシフトは、しばしば分布外(OOD)の展開時に予測モデルが失敗する。 数値指標とテキスト感情を単純に融合させる従来のマルチモーダルアプローチは、そのようなシフトにはほとんど適応しない。 我々は、歴史的に類似したマクロ経済体制において、各予測を基礎づける検索強化予測フレームワークであるマクロコンテキスト検索を導入する。 この方法は、マクロ指標(例えば、CPI、失業、収量拡大、GDP成長)と金融ニュースの感情を共有類似性空間に共同で埋め込み、推論中の前例の因果的検索を可能にする。 AAPL(2024年)とXOM(2024年)の17年間のS&P 500データ(2007-2023年)に基づいてトレーニングされ、CVとOODのパフォーマンスギャップを一貫して狭めている。 マクロ条件付き検索は、唯一の正のサンプル外取引結果(AAPL: PF=1.18, Sharpe=0.95; XOM: PF=1.16, Sharpe=0.61)を達成する一方、静的数値、テキストのみ、単純マルチモーダルベースラインは政権シフトの下で崩壊する。 計量ゲイン以外にも、抽出された隣人は、インフレーションや収率曲線の反転フェーズなどの認識可能なマクロコンテキストに対応する解釈可能なエビデンスチェーンを形成し、因果解釈性と透明性をサポートする。 金融史は繰り返しではなく、しばしば韻律である」という原則を運用することにより、マクロ認識検索が分布変化の下で頑健で説明可能な予測をもたらすことを示す。 すべてのデータセット、モデル、ソースコードが公開されている。

関連論文リスト

• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Why Bonds Fail Differently? Explainable Multimodal Learning for Multi-Class Default Prediction [4.838838129678638]
  マルチクラス債デフォルト予測のための新しいフレームワークを提案する。 LOTは数値時系列(金融/マクロ経済指標)と非構造化データ(ボンド)を統合する 不規則なシーケンスを処理するためにTime-Aware LSTMを使用し、解釈可能性を高めるためにソフトクラスタリングとマルチレベルアテンションを採用する。
  論文  参考訳（メタデータ） (2025-09-13T03:42:34Z)
• Methodological Insights into Structural Causal Modelling and Uncertainty-Aware Forecasting for Economic Indicators [4.9930207509018425]
  我々は、GDP、経済成長、インフレ、失業の4つの主要なマクロ経済指標に焦点を当てている。 以上の結果から、経済成長とGDPとの強い一方向因果関係が明らかとなった。 我々は、失業に関するゼロショット予測を行うために、時系列のために訓練された大きな言語モデルを使用する。
  論文  参考訳（メタデータ） (2025-09-08T04:52:12Z)
• 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)
• Consistency Checks for Language Model Forecasters [54.62507816753479]
  予測器の性能を,論理的に異なる質問に対する予測の整合性の観点から測定する。 我々は,一連の基本質問を生成し,これらの質問から整合性チェックをインスタンス化し,予測者の予測を導き,予測の整合性を測定する自動評価システムを構築した。
  論文  参考訳（メタデータ） (2024-12-24T16:51:35Z)
• Cycles of Thought: Measuring LLM Confidence through Stable Explanations [53.15438489398938]
  大規模言語モデル(LLM)は、様々なベンチマークで人間レベルの精度に到達し、さらに超えることができるが、不正確な応答における過度な自信は、依然として十分に文書化された障害モードである。 本稿では,LLMの不確実性を測定するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-05T16:35:30Z)
• The Macroeconomy as a Random Forest [0.0]
  線形マクロ方程式において、進化するパラメータを柔軟にモデル化するために、標準機械学習(ML)ツールを適用するアルゴリズムを開発した。 このアプローチは、多くの代替案よりも明確な予測ゲインをもたらし、2008年の失業率の急激な上昇を予測し、インフレのためにうまく機能する。
  論文  参考訳（メタデータ） (2020-06-23T03:44:15Z)
• Distributional Robustness and Regularization in Reinforcement Learning [62.23012916708608]
  経験値関数の新しい正規化器を導入し、ワッサーシュタイン分布のロバストな値関数を下限とすることを示す。 強化学習における$textitexternalな不確実性に対処するための実用的なツールとして正規化を使用することを提案する。
  論文  参考訳（メタデータ） (2020-03-05T19:56:23Z)

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。