論文の概要: Knowledge Graph Construction for Stock Markets with LLM-Based Explainable Reasoning

• arxiv url: http://arxiv.org/abs/2601.11528v1
• Date: Sun, 16 Nov 2025 16:49:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-25 16:54:51.734575
• Title: Knowledge Graph Construction for Stock Markets with LLM-Based Explainable Reasoning
• Title（参考訳）: LLMを用いた説明可能な推論による株式市場の知識グラフ構築
• Authors: Cheonsol Lee, Youngsang Jeong, Jeongyeol Shin, Huiju Kim, Jidong Kim,
• Abstract要約: 株式市場は本質的に複雑で、企業、セクター、金融指標間の相互依存関係がある。 本稿では, 株式市場, モデリング会社, セクター, 株価指標, 財務諸表, 企業間関係に特化して設計された知識グラフスキーマを提案する。 提案手法はマルチホップ推論とリレーショナルクエリを可能にし,複雑な財務問題に対する説明可能な,詳細な回答を生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The stock market is inherently complex, with interdependent relationships among companies, sectors, and financial indicators. Traditional research has largely focused on time-series forecasting and single-company analysis, relying on numerical data for stock price prediction. While such approaches can provide short-term insights, they are limited in capturing relational patterns, competitive dynamics, and explainable investment reasoning. To address these limitations, we propose a knowledge graph schema specifically designed for the stock market, modeling companies, sectors, stock indicators, financial statements, and inter-company relationships. By integrating this schema with large language models (LLMs), our approach enables multi-hop reasoning and relational queries, producing explainable and in-depth answers to complex financial questions. Figure1 illustrates the system pipeline, detailing the flow from data collection and graph construction to LLM-based query processing and answer generation. We validate the proposed framework through practical case studies on Korean listed companies, demonstrating its capability to extract insights that are difficult or impossible to obtain from traditional database queries alone. The results highlight the potential of combining knowledge graphs with LLMs for advanced investment analysis and decision support.
• Abstract（参考訳）: 株式市場は本質的に複雑で、企業、セクター、金融指標間の相互依存関係がある。 伝統的研究は、株価予測の数値データに頼って、時系列予測と単一企業分析に主に焦点を当ててきた。 このようなアプローチは短期的な洞察を与えることができるが、それらはリレーショナルパターンのキャプチャ、競合力学、説明可能な投資推論に限られている。 これらの制約に対処するため、我々は、株式市場、モデリング会社、セクター、株価指標、財務諸表、企業間関係に特化して設計された知識グラフスキーマを提案する。 このスキーマを大規模言語モデル(LLM)と統合することにより,マルチホップ推論とリレーショナルクエリを実現する。 図1は、データ収集とグラフ構築からLLMベースのクエリ処理と回答生成へのフローを詳述したシステムパイプラインを説明している。 提案手法を韓国の上場企業を対象とした実践事例研究を通じて検証し,従来のデータベースクエリだけでは入手が困難あるいは不可能な洞察を抽出する能力を実証した。 その結果,先進的な投資分析と意思決定支援のために知識グラフとLLMを組み合わせる可能性を強調した。

関連論文リスト

• Structure First, Reason Next: Enhancing a Large Language Model using Knowledge Graph for Numerical Reasoning in Financial Documents [0.21485350418225244]
  大規模言語モデル(LLM)は、複数のQ-Aシステムにおいて有望な結果を示している。 知識グラフ(KG)のような構造化データ拡張は、LSMの予測を著しく改善した。 本稿では,KGを用いた構造化情報と,数値推論タスクのためのLLM予測を併用するフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-12T17:39:08Z)
• FinAgentBench: A Benchmark Dataset for Agentic Retrieval in Financial Question Answering [57.18367828883773]
  FinAgentBenchは、ファイナンスにおける多段階推論によるエージェント検索を評価するためのベンチマークである。 このベンチマークは、S&P-500上場企業に関する26Kのエキスパートアノテート例から成っている。 我々は,最先端モデルの集合を評価し,対象の微調整がエージェント検索性能を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2025-08-07T22:15:22Z)
• 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)
• MountainLion: A Multi-Modal LLM-Based Agent System for Interpretable and Adaptive Financial Trading [12.800833009809145]
  MountainLionは金融取引のためのマルチモーダル・マルチエージェントシステムであり、金融データを解釈し投資戦略を生成する専門的LLMエージェントをコーディネートする。 中央反射モジュールは、歴史的取引信号と結果を分析して、意思決定プロセスを継続的に洗練する。 実証的な結果は、MountainLionが文脈的マクロ経済と資本フローの信号で技術的価格トリガを体系的に強化していることを確認する。
  論文  参考訳（メタデータ） (2025-07-13T05:39:42Z)
• Integrating Large Language Models in Financial Investments and Market Analysis: A Survey [39.58317527488534]
  大規模言語モデル (LLMs) は、投資戦略の分析能力を強化し、財政的な意思決定に用いられている。 本研究は、株式選択、リスクアセスメント、感情分析、トレーディング、財務予測における最近のLCMs研究の構造化されたレビューを提供する。
  論文  参考訳（メタデータ） (2025-06-29T05:25:31Z)
• Bridging Language Models and Financial Analysis [49.361943182322385]
  大規模言語モデル(LLM)の急速な進歩は、自然言語処理における変換可能性の解放をもたらした。 財務データは、しばしばテキストコンテンツ、数値表、および視覚チャートの複雑な関係に埋め込まれる。 LLM研究における急速なイノベーションのペースにもかかわらず、金融業界における彼らの実践的採用には大きなギャップが残っている。
  論文  参考訳（メタデータ） (2025-03-14T01:35:20Z)
• Reasoning with Graphs: Structuring Implicit Knowledge to Enhance LLMs Reasoning [73.2950349728376]
  大規模言語モデル(LLM)は、幅広いタスクで顕著な成功を収めている。 しかし、彼らは情報片間の関係を理解し、推論する必要があるタスクの推論において、依然として課題に直面している。 この課題は、論理的推論やマルチホップ質問応答など、多段階プロセスに関わるタスクにおいて特に顕著である。 本稿では、まず文脈から明示的なグラフを構築することにより、グラフを用いた推論(RwG)を提案する。
  論文  参考訳（メタデータ） (2025-01-14T05:18:20Z)
• LSR-IGRU: Stock Trend Prediction Based on Long Short-Term Relationships and Improved GRU [13.647242132570888]
  LSR-IGRUという株価トレンド予測モデルを提案する。 長期の株式関係と改良されたGRUインプットに基づいている。 我々は,現在最先端のベースラインモデルよりも提案したLSR-IGRUの優位性を検証した。
  論文  参考訳（メタデータ） (2024-08-26T02:58:37Z)
• A Survey of Large Language Models for Financial Applications: Progress, Prospects and Challenges [60.546677053091685]
  大規模言語モデル(LLM)は金融分野における機械学習アプリケーションに新たな機会を開放した。 我々は、従来のプラクティスを変革し、イノベーションを促進する可能性に焦点を当て、様々な金融業務におけるLLMの適用について検討する。 本稿では,既存の文献を言語タスク,感情分析,財務時系列,財務推論,エージェントベースモデリング,その他の応用分野に分類するための調査を紹介する。
  論文  参考訳（メタデータ） (2024-06-15T16:11:35Z)
• 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)
• Temporal Data Meets LLM -- Explainable Financial Time Series Forecasting [7.485041391778341]
  我々はNASDAQ-100株に重点を置いており、公開アクセス可能な歴史的株価データ、企業のメタデータ、歴史的経済・金融ニュースを活用している。 我々は,Open-LLaMA などの公開 LLM を微調整した上で,説明可能な予測を生成するための命令を理解することができることを示す。
  論文  参考訳（メタデータ） (2023-06-19T15:42:02Z)
• FinQA: A Dataset of Numerical Reasoning over Financial Data [52.7249610894623]
  我々は、大量の財務文書の分析を自動化することを目的として、財務データに関する深い質問に答えることに重点を置いている。 我々は,金融専門家が作成した財務報告に対して質問回答のペアを用いた,新たな大規模データセットFinQAを提案する。 その結果、人気があり、大規模で、事前訓練されたモデルは、金融知識を得るための専門的な人間には程遠いことが示される。
  論文  参考訳（メタデータ） (2021-09-01T00:08:14Z)

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。