論文の概要: PriceSeer: Evaluating Large Language Models in Real-Time Stock Prediction

• arxiv url: http://arxiv.org/abs/2601.06088v1
• Date: Wed, 31 Dec 2025 08:35:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-25 16:54:51.630763
• Title: PriceSeer: Evaluating Large Language Models in Real-Time Stock Prediction
• Title（参考訳）: PriceSeer: リアルタイムストック予測における大規模言語モデルの評価
• Authors: Bohan Liang, Zijian Chen, Qi Jia, Kaiwei Zhang, Kaiyuan Ji, Guangtao Zhai,
• Abstract要約: 本稿では,ストック予測タスクを実行する大規模言語モデルを対象としたベンチマークであるPriceSeerを紹介する。 プライスシーアには11の産業セクターから110の米国株が含まれており、それぞれ249の歴史的データポイントが含まれている。 我々は、異なる予測地平の下で6つの最先端LCMを評価し、投資戦略を創出する可能性を実証した。
• 参考スコア（独自算出の注目度）: 47.70107097572211
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Stock prediction, a subject closely related to people's investment activities in fully dynamic and live environments, has been widely studied. Current large language models (LLMs) have shown remarkable potential in various domains, exhibiting expert-level performance through advanced reasoning and contextual understanding. In this paper, we introduce PriceSeer, a live, dynamic, and data-uncontaminated benchmark specifically designed for LLMs performing stock prediction tasks. Specifically, PriceSeer includes 110 U.S. stocks from 11 industrial sectors, with each containing 249 historical data points. Our benchmark implements both internal and external information expansion, where LLMs receive extra financial indicators, news, and fake news to perform stock price prediction. We evaluate six cutting-edge LLMs under different prediction horizons, demonstrating their potential in generating investment strategies after obtaining accurate price predictions for different sectors. Additionally, we provide analyses of LLMs' suboptimal performance in long-term predictions, including the vulnerability to fake news and specific industries. The code and evaluation data will be open-sourced at https://github.com/BobLiang2113/PriceSeer.
• Abstract（参考訳）: フルダイナミック・ライブ環境における人々の投資活動に密接に関連した株価予測が広く研究されている。 現在の大規模言語モデル(LLM)は様々な領域において顕著な可能性を示し、高度な推論と文脈理解を通じて専門家レベルのパフォーマンスを示す。 本稿では,ストック予測タスクを実行するLLM向けに設計された,ライブ,動的,データ非汚染のベンチマークであるPriceSeerを紹介する。 具体的には、11の産業セクターから110の米国株が含まれ、それぞれ249の歴史的データポイントを含んでいる。 我々のベンチマークでは、内部情報の拡張と外部情報拡張の両方を実装しており、LLMは株価予測を行うために、追加の財務指標、ニュース、フェイクニュースを受け取る。 我々は、異なる予測地平の下で6つの最先端LCMを評価し、異なるセクターの正確な価格予測を得た後、投資戦略を創出する可能性を示した。 さらに、偽ニュースや特定産業に対する脆弱性を含む長期予測において、LLMの準最適性能の分析を行う。 コードと評価データはhttps://github.com/BobLiang2113/PriceSeer.comでオープンソース化される。

関連論文リスト

• FutureX: An Advanced Live Benchmark for LLM Agents in Future Prediction [92.7392863957204]
  FutureXは、将来の予測のための最大かつ最も多様なライブベンチマークである。 リアルタイムの日次更新をサポートし、質問収集と回答収集のための自動パイプラインを通じてデータの汚染を取り除く。 推論,検索機能,外部ツールの統合などを含む25のLLM/エージェントモデルを評価した。
  論文  参考訳（メタデータ） (2025-08-16T08:54:08Z)
• Agent Trading Arena: A Study on Numerical Understanding in LLM-Based Agents [69.58565132975504]
  大規模言語モデル(LLM)は、自然言語処理において顕著な能力を示した。 LLMをベースとしたエージェントが競合するマルチエージェント取引を行う仮想ゼロサム株式市場であるエージェントトレーディングアリーナを提示する。
  論文  参考訳（メタデータ） (2025-02-25T08:41:01Z)
• FinGPT: Enhancing Sentiment-Based Stock Movement Prediction with Dissemination-Aware and Context-Enriched LLMs [8.303827622646086]
  本稿では、ニュース拡散幅、文脈データ、明示的な指示を組み込むことにより、感情に基づくストックムーブメント予測を強化するデータ駆動型アプローチを提案する。 提案手法は既存手法と比較して予測精度を8%向上させる。
  論文  参考訳（メタデータ） (2024-12-14T13:04:42Z)
• News-Driven Stock Price Forecasting in Indian Markets: A Comparative Study of Advanced Deep Learning Models [0.0]
  人工知能(AI)と自然言語処理(NLP)の最近の進歩は、株価予測能力を著しく強化している。 インド国定銀行の30年間の歴史的データを利用して株価を予測している」と述べた。 このアプローチでは,多段長短期記憶(LSTM),Optunaで最適化されたLightGBMを用いたFacebook Prophet,季節自動回帰統合型移動平均(SARIMA)など,最先端のディープラーニングモデルを活用する。
  論文  参考訳（メタデータ） (2024-10-14T15:30:06Z)
• 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)
• Exploring Sectoral Profitability in the Indian Stock Market Using Deep Learning [0.0]
  この研究は、既存の株価予測手法に関する文献に基づいており、機械学習とディープラーニングアプローチへのシフトを強調している。 LSTMモデルでは、NSE、インドに上場している18のセクターで180銘柄の歴史的株価を用いて、将来の価格を予測する。 その結果,株価を正確に予測し,投資決定を下す上でLSTMモデルの有効性が示された。
  論文  参考訳（メタデータ） (2024-05-28T17:55:54Z)
• Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
  長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。 多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。 深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。 本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-18T16:21:15Z)
• 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)

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。