論文の概要: Are Foundation Models Useful for Bankruptcy Prediction?

• arxiv url: http://arxiv.org/abs/2511.16375v1
• Date: Thu, 20 Nov 2025 13:59:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-21 17:08:52.656385
• Title: Are Foundation Models Useful for Bankruptcy Prediction?
• Title（参考訳）: ファンデーションモデルは倒産予測に有用か?
• Authors: Marcin Kostrzewa, Oleksii Furman, Roman Furman, Sebastian Tomczak, Maciej Zięba,
• Abstract要約: Llama-3.3-70B-InstructとTabPFNを用いた破産予測について検討した。 この課題に対して,基礎モデルの古典的機械学習ベースラインに対する最初の体系的比較を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation models have shown promise across various financial applications, yet their effectiveness for corporate bankruptcy prediction remains systematically unevaluated against established methods. We study bankruptcy forecasting using Llama-3.3-70B-Instruct and TabPFN, evaluated on large, highly imbalanced datasets of over one million company records from the Visegrád Group. We provide the first systematic comparison of foundation models against classical machine learning baselines for this task. Our results show that models such as XGBoost and CatBoost consistently outperform foundation models across all prediction horizons. LLM-based approaches suffer from unreliable probability estimates, undermining their use in risk-sensitive financial settings. TabPFN, while competitive with simpler baselines, requires substantial computational resources with costs not justified by performance gains. These findings suggest that, despite their generality, current foundation models remain less effective than specialized methods for bankruptcy forecasting.
• Abstract（参考訳）: ファンデーションモデルは、様々な金融分野での公約を示してきたが、企業破産予測の有効性は、確立された方法に対して体系的に評価されている。 Llama-3.3-70B-InstructとTabPFNを用いて破産予測を行い、Visegrád Groupの100万以上の企業記録の大規模かつ高度に不均衡なデータセットを用いて評価した。 この課題に対して,基礎モデルの古典的機械学習ベースラインに対する最初の体系的比較を行った。 以上の結果から,XGBoostやCatBoostといったモデルが,全ての予測地平線における基礎モデルより一貫して優れていたことが示唆された。 LLMベースのアプローチは信頼できない確率推定に悩まされ、リスクに敏感な金融環境における使用を損なう。 TabPFNは、より単純なベースラインと競合するが、性能向上によって正当化されないコストでかなりの計算資源を必要とする。 これらの結果は, 一般性にもかかわらず, 現在の基盤モデルは, 倒産予測の専門的手法よりも効果が低いことを示唆している。

関連論文リスト

• Uncovering Representation Bias for Investment Decisions in Open-Source Large Language Models [0.06749750044497731]
  本稿では,オープンソースのQwenモデルにおける表現バイアスに着目した。 統計的テストと分散分析を用いて、確固としたサイズと評価がモデルの信頼性を継続的に増加させることが分かる。 特定の金融カテゴリーのモデルが促されると、信頼度ランキングは基本的なデータと最もよく一致し、技術的なシグナルは適度に、そして少なくとも成長指標と一致します。
  論文  参考訳（メタデータ） (2025-10-07T09:10:13Z)
• Your AI, Not Your View: The Bias of LLMs in Investment Analysis [62.388554963415906]
  金融において、Large Language Models (LLMs) は、事前訓練されたパラメトリック知識とリアルタイム市場データとの相違から生じる、頻繁な知識紛争に直面している。 これらの対立は、モデル固有のバイアスが制度的目的と誤認される現実世界の投資サービスにおいて特に問題となる。 本研究では,このような紛争シナリオにおける創発的行動を調べるための実験的枠組みを提案し,投資分析におけるバイアスの定量的分析を行う。
  論文  参考訳（メタデータ） (2025-07-28T16:09:38Z)
• Timing is Important: Risk-aware Fund Allocation based on Time-Series Forecasting [10.540006708939647]
  我々は、資金配分の問題を解決するために、リスク対応の時系列予測(RTS-PnO)フレームワークを導入する。 このフレームワークには, 目標アライメント測定によるエンドツーエンドトレーニング, (ii) 適応予測の不確実性校正, (iii) 予測モデルに非依存な3つの特徴がある。 RTS-PnOの評価はオンラインとオフラインの両方の実験で行われている。
  論文  参考訳（メタデータ） (2025-05-30T17:36:45Z)
• FinTSB: A Comprehensive and Practical Benchmark for Financial Time Series Forecasting [58.70072722290475]
  ファイナンシャル・タイム・シリーズ(FinTS)は、人間の脳を増強した意思決定の行動を記録する。 FinTSBは金融時系列予測のための総合的で実用的なベンチマークである。
  論文  参考訳（メタデータ） (2025-02-26T05:19:16Z)
• Fino1: On the Transferability of Reasoning-Enhanced LLMs and Reinforcement Learning to Finance [35.617409883103335]
  FinReasonは、マルチテーブル分析、長期コンテキスト推論、方程式ベースのタスクをカバーする最初の財務推論ベンチマークである。 7つのQAデータセットから抽出した、ファイナンスのための最初のオープンな高忠実度CoTコーパスであるFinCoTを紹介する。 我々は、教師付き微調整とGRPOベースのRLを用いて訓練された最初のオープンファイナンシャル推論モデルであるFin-o1を開発した。
  論文  参考訳（メタデータ） (2025-02-12T05:13:04Z)
• 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)

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。