論文の概要: Uni-FinLLM: A Unified Multimodal Large Language Model with Modular Task Heads for Micro-Level Stock Prediction and Macro-Level Systemic Risk Assessment

• arxiv url: http://arxiv.org/abs/2601.02677v1
• Date: Tue, 06 Jan 2026 03:22:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-07 17:02:12.785888
• Title: Uni-FinLLM: A Unified Multimodal Large Language Model with Modular Task Heads for Micro-Level Stock Prediction and Macro-Level Systemic Risk Assessment
• Title（参考訳）: Uni-FinLLM:マイクロレベルストック予測とマクロレベルシステム的リスク評価のためのモジュール型タスクヘッドを持つ統一多モード大言語モデル
• Authors: Gongao Zhang, Haijiang Zeng, Lu Jiang,
• Abstract要約: 金融機関や規制機関は、株価変動からシステム的脆弱性へのリスクを評価するために、異種データを統合するシステムを必要としている。 共用トランスフォーマーバックボーンとモジュールタスクヘッドを併用した統合マルチモーダル大言語モデルUni-FinLLMを提案する。
• 参考スコア（独自算出の注目度）: 6.015507338546882
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Financial institutions and regulators require systems that integrate heterogeneous data to assess risks from stock fluctuations to systemic vulnerabilities. Existing approaches often treat these tasks in isolation, failing to capture cross-scale dependencies. We propose Uni-FinLLM, a unified multimodal large language model that uses a shared Transformer backbone and modular task heads to jointly process financial text, numerical time series, fundamentals, and visual data. Through cross-modal attention and multi-task optimization, it learns a coherent representation for micro-, meso-, and macro-level predictions. Evaluated on stock forecasting, credit-risk assessment, and systemic-risk detection, Uni-FinLLM significantly outperforms baselines. It raises stock directional accuracy to 67.4% (from 61.7%), credit-risk accuracy to 84.1% (from 79.6%), and macro early-warning accuracy to 82.3%. Results validate that a unified multimodal LLM can jointly model asset behavior and systemic vulnerabilities, offering a scalable decision-support engine for finance.
• Abstract（参考訳）: 金融機関や規制機関は、株価変動からシステム的脆弱性へのリスクを評価するために、異種データを統合するシステムを必要としている。 既存のアプローチはしばしばこれらのタスクを分離して扱い、大規模な依存関係をキャプチャできない。 共用トランスフォーマーバックボーンとモジュールタスクヘッドを併用した統合マルチモーダル大言語モデルUni-FinLLMを提案する。 クロスモーダルな注意とマルチタスク最適化を通じて、マイクロ、メソ、マクロレベルの予測のためのコヒーレントな表現を学習する。 株価予測、信用リスク評価、システムリスク検出の評価により、Uni-FinLLMはベースラインを著しく上回る。 株式の方向性の正確さは67.4%(61.7%から)、信用リスクの正確さは84.1%(79.6%から)、マクロ早期警戒の正確さは82.3%まで上昇する。 その結果、統合マルチモーダル LLM が資産の挙動とシステム的脆弱性を共同でモデル化し、金融のためのスケーラブルな意思決定支援エンジンを提供することが検証された。

関連論文リスト

• MASFIN: A Multi-Agent System for Decomposed Financial Reasoning and Forecasting [0.0]
  構造化財務メトリクスと非構造化ニュースを統合するモジュール型マルチエージェントフレームワークMASFINを紹介する。 8週間の評価で、MASFINは7.33%の累積リターンを達成し、S&P 500、NASDAQ-100、ダウ・ジョーンズのベンチマークを6週間で上回った。 これらの知見は、金融予測のためのバイアス対応、生成型AIフレームワークの可能性を示唆している。
  論文  参考訳（メタデータ） (2025-12-26T06:01:55Z)
• Risk-Aware Financial Forecasting Enhanced by Machine Learning and Intuitionistic Fuzzy Multi-Criteria Decision-Making [7.394315090978424]
  このフレームワークは、構造化された財務データ、構造化されていないテキストデータ、マクロ経済指標を融合させ、予測精度と堅牢性を高める。 このモデルには、極端な勾配向上(XGBoost)、長い短期記憶(LSTM)ネットワーク、グラフニューラルネットワーク(GNN)など、ハイブリッドモデルスイートが組み込まれている。 その結果,純利益率の平均絶対パーセンテージ誤差(MAPE)は3.03%,信頼区間は95%程度であり,予測精度が高いことがわかった。
  論文  参考訳（メタデータ） (2025-12-11T04:19:26Z)
• Trade in Minutes! Rationality-Driven Agentic System for Quantitative Financial Trading [57.28635022507172]
  TiMiは、アーキテクチャ上、戦略開発を分単位のデプロイメントから切り離す合理性駆動型マルチエージェントシステムである。 本稿では,マクロパターンからマイクロカスタマイズ,トレーディングボット実装のための階層型プログラミング設計,数学的リフレクションによって駆動されるクローズドループ最適化までの2層解析パラダイムを提案する。
  論文  参考訳（メタデータ） (2025-10-06T13:08:55Z)
• 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)
• Uncertainty-Aware Collaborative System of Large and Small Models for Multimodal Sentiment Analysis [17.98292973608615]
  マルチモーダル感情分析のための強力なMLLMと軽量なベースラインモデルを編成する新しい不確実性認識協調システム(U-ACS)を提案する。 提案手法は,スタンドアロンのMLLMに比べて計算資源のごく一部しか必要とせず,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-08-27T16:01:58Z)
• Unveiling Trust in Multimodal Large Language Models: Evaluation, Analysis, and Mitigation [51.19622266249408]
  MultiTrust-XはMLLMの信頼性問題を評価、分析、緩和するためのベンチマークである。 分類に基づいて、MultiTrust-Xには32のタスクと28のキュレートデータセットが含まれている。 私たちの実験は、現在のモデルに重大な脆弱性を明らかにします。
  論文  参考訳（メタデータ） (2025-08-21T09:00:01Z)
• A Weighted Byzantine Fault Tolerance Consensus Driven Trusted Multiple Large Language Models Network [53.37983409425452]
  大規模言語モデル(LLM)は幅広いアプリケーションで大きな成功を収めています。 近年,MultiLLMネットワーク(MultiLLMN)などの協調フレームワークが導入されている。 重み付きビザンチンフォールトトレランス(WBFT)ブロックチェーンコンセンサス機構によって駆動される新しいTrusted MultiLLMNフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-08T10:04:41Z)
• Benchmarking Multi-modal Semantic Segmentation under Sensor Failures: Missing and Noisy Modality Robustness [61.87055159919641]
  マルチモーダルセマンティックセグメンテーション(MMSS)は、モーダル間で補完情報を統合することで、単一モーダルデータの制限に対処する。 顕著な進歩にもかかわらず、マルチモーダルデータ品質の変動と不確実性により、研究と実世界の展開の間に大きなギャップが持続する。 Intire-Missing Modality (EMM)、Random-Missing Modality (RMM)、Noisy Modality (NM)の3つのシナリオでMMSSモデルを評価する頑健性ベンチマークを導入する。
  論文  参考訳（メタデータ） (2025-03-24T08:46:52Z)
• 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)

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。