論文の概要: Adaptive Financial Sentiment Analysis for NIFTY 50 via Instruction-Tuned LLMs , RAG and Reinforcement Learning Approaches

• arxiv url: http://arxiv.org/abs/2512.20082v2
• Date: Wed, 24 Dec 2025 03:42:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-25 13:34:31.953354
• Title: Adaptive Financial Sentiment Analysis for NIFTY 50 via Instruction-Tuned LLMs , RAG and Reinforcement Learning Approaches
• Title（参考訳）: インストラクション付きLLMによるNIFTY 50の適応的財務感分析とRAGと強化学習アプローチ
• Authors: Chaithra, Kamesh Kadimisetty, Biju R Mohan,
• Abstract要約: 金融感情分析における既存の研究は、株価や市場のフィードバックが感情分析に与える影響を考慮していない。 本研究では,大規模言語モデル(LLM)と現実世界の市場フィードバックを統合し,感情分類を改善する適応フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.9116784879310027
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Financial sentiment analysis plays a crucial role in informing investment decisions, assessing market risk, and predicting stock price trends. Existing works in financial sentiment analysis have not considered the impact of stock prices or market feedback on sentiment analysis. In this paper, we propose an adaptive framework that integrates large language models (LLMs) with real-world stock market feedback to improve sentiment classification in the context of the Indian stock market. The proposed methodology fine-tunes the LLaMA 3.2 3B model using instruction-based learning on the SentiFin dataset. To enhance sentiment predictions, a retrieval-augmented generation (RAG) pipeline is employed that dynamically selects multi-source contextual information based on the cosine similarity of the sentence embeddings. Furthermore, a feedback-driven module is introduced that adjusts the reliability of the source by comparing predicted sentiment with actual next-day stock returns, allowing the system to iteratively adapt to market behavior. To generalize this adaptive mechanism across temporal data, a reinforcement learning agent trained using proximal policy optimization (PPO) is incorporated. The PPO agent learns to optimize source weighting policies based on cumulative reward signals from sentiment-return alignment. Experimental results on NIFTY 50 news headlines collected from 2024 to 2025 demonstrate that the proposed system significantly improves classification accuracy, F1-score, and market alignment over baseline models and static retrieval methods. The results validate the potential of combining instruction-tuned LLMs with dynamic feedback and reinforcement learning for robust, market-aware financial sentiment modeling.
• Abstract（参考訳）: 金融センチメント分析は、投資決定、市場リスクの評価、株価トレンドの予測において重要な役割を担っている。 金融感情分析における既存の研究は、株価や市場のフィードバックが感情分析に与える影響を考慮していない。 本稿では,インド株式市場の文脈における感情分類を改善するために,大規模言語モデル(LLM)と実世界の株式市場フィードバックを統合する適応フレームワークを提案する。 提案手法は,SentiFinデータセットを用いた命令ベース学習を用いてLLaMA 3.2 3Bモデルを微調整する。 感情予測を強化するために,文埋め込みのコサイン類似性に基づいて,複数ソースの文脈情報を動的に選択する検索拡張生成(RAG)パイプラインを用いる。 さらに、予測された感情と実際の翌日の株価のリターンを比較してソースの信頼性を調整し、市場行動に反復的に適応できるフィードバック駆動モジュールも導入された。 この適応メカニズムを時間的データにわたって一般化するために、近位政策最適化(PPO)を用いて訓練された強化学習エージェントが組み込まれている。 PPOエージェントは、感情-回帰アライメントから累積報酬信号に基づいて、ソース重み付けポリシーを最適化することを学ぶ。 2024年から2025年にかけて収集されたNIFTY 50ニュースヘッドラインに関する実験結果から,提案システムは,ベースラインモデルや静的検索手法よりも,分類精度,F1スコア,市場アライメントを著しく向上することが示された。 その結果, 指導指導型LLMと動的フィードバックと強化学習を併用して, 堅牢で市場対応の財務感情モデルを構築する可能性について検証した。

関連論文リスト

• Reinforcement Learning-Based Market Making as a Stochastic Control on Non-Stationary Limit Order Book Dynamics [0.0]
  強化学習(Reinforcement Learning)は、適応型およびデータ駆動型戦略を開発するための有望なフレームワークとして登場した。 本稿では,市場形成における強化学習エージェントの統合について考察する。
  論文  参考訳（メタデータ） (2025-09-15T21:08:13Z)
• FinDPO: Financial Sentiment Analysis for Algorithmic Trading through Preference Optimization of LLMs [2.06242362470764]
  そこで,FinDPOについて紹介する。FinDPOは,トレーニング後の人間の嗜好のアライメントに基づく,ファイナンス固有の感情分析フレームワークである。 提案したFinDPOは、標準的な感情分類ベンチマークで最先端のパフォーマンスを達成する。 FinDPOは、毎年67%の実質的なポジティブリターンを維持し、高いリスク調整性能を維持するための、最初の感情ベースのアプローチである。
  論文  参考訳（メタデータ） (2025-07-24T13:57:05Z)
• Deriving Strategic Market Insights with Large Language Models: A Benchmark for Forward Counterfactual Generation [55.2788567621326]
  本稿では,FIN-FORCE-FINancial Forward Counterfactual Evaluationを提案する。 FIN-FORCEは金融ニュースの見出しをまとめることで、LLMベースの対実生成を支援する。 これにより、将来の市場展開を探索し、予測するためのスケーラブルで自動化されたソリューションの道を開くことができる。
  論文  参考訳（メタデータ） (2025-05-26T02:41:50Z)
• Harnessing Earnings Reports for Stock Predictions: A QLoRA-Enhanced LLM Approach [6.112119533910774]
  本稿では、命令ベースの新しい手法と量子化低ランク適応(QLoRA)圧縮を組み合わせることで、LLM(Large Language Models)命令を微調整することで、高度なアプローチを提案する。 近年の市場指標やアナリストの成績等「外部要因」を統合して、リッチで教師付きデータセットを作成する。 この研究は、最先端のAIを微調整された財務データに統合する能力を実証するだけでなく、AI駆動の財務分析ツールを強化するための将来の研究の道を開く。
  論文  参考訳（メタデータ） (2024-08-13T04:53:31Z)
• AlphaFin: Benchmarking Financial Analysis with Retrieval-Augmented Stock-Chain Framework [48.3060010653088]
  我々はAlphaFinデータセットをリリースし、従来の研究データセット、リアルタイム財務データ、手書きのチェーン・オブ・プリート(CoT)データを組み合わせています。 次に、AlphaFinデータセットを使用して、金融分析タスクを効果的に処理するために、Stock-Chainと呼ばれる最先端の手法をベンチマークします。
  論文  参考訳（メタデータ） (2024-03-19T09:45:33Z)
• HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and Regime-Switch VAE [113.47287249524008]
  オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。 本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。 4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-06-05T12:58:13Z)
• 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)
• Deep learning based Chinese text sentiment mining and stock market correlation research [6.000327333763521]
  我々は、ストックバーなどの金融フォーラムデータをクロールして、感情分析のためのディープラーニングモデルと組み合わせる方法について検討する。 本稿では、BERTモデルを用いて、財務コーパスに対するトレーニングを行い、SZSE成分指数を予測する。 得られた感情特徴は、株式市場の変動を反映し、予測精度を効果的に改善するのに役立つだろう。
  論文  参考訳（メタデータ） (2022-05-10T08:35:33Z)
• 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。