論文の概要: Forecasting Future Language: Context Design for Mention Markets
- arxiv url: http://arxiv.org/abs/2602.21229v1
- Date: Wed, 04 Feb 2026 12:43:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-02 07:21:25.664741
- Title: Forecasting Future Language: Context Design for Mention Markets
- Title（参考訳）: 未来の言語予測:メンション市場におけるコンテキスト設計
- Authors: Sumin Kim, Jihoon Kwon, Yoon Kim, Nicole Kagan, Raffi Khatchadourian, Wonbin Ahn, Alejandro Lopez-Lira, Jaewon Lee, Yoontae Hwang, Oscar Levy, Yongjae Lee, Chanyeol Choi,
- Abstract要約: 我々は、参照市場における正確な予測を支援するために、入力コンテキストをどのように設計するかを検討する。
1 より豊かなコンテキストは予測性能を継続的に改善し、(2)市場条件付きプロンプト(MCP)は事前の市場確率を扱い、テキストによる証拠を用いてそれを更新し、より良いキャリブレーションの予測を得る、(3)市場確率とMCP(MixMCP)の混合が市場ベースラインを上回っている、という3つの洞察を得た。
- 参考スコア（独自算出の注目度）: 81.25011140991566
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Mention markets, a type of prediction market in which contracts resolve based on whether a specified keyword is mentioned during a future public event, require accurate probabilistic forecasts of keyword-mention outcomes. While recent work shows that large language models (LLMs) can generate forecasts competitive with human forecasters, it remains unclear how input context should be designed to support accurate prediction. In this paper, we study this question through experiments on earnings-call mention markets, which require forecasting whether a company will mention a specified keyword during its upcoming call. We run controlled comparisons varying (i) which contextual information is provided (news and/or prior earnings-call transcripts) and (ii) how \textit{market probability}, (i.e., prediction market contract price) is used. We introduce Market-Conditioned Prompting (MCP), which explicitly treats the market-implied probability as a prior and instructs the LLM to update this prior using textual evidence, rather than re-predicting the base rate from scratch. In our experiments, we find three insights: (1) richer context consistently improves forecasting performance; (2) market-conditioned prompting (MCP), which treats the market probability as a prior and updates it using textual evidence, yields better-calibrated forecasts; and (3) a mixture of the market probability and MCP (MixMCP) outperforms the market baseline. By dampening the LLM's posterior update with the market prior, MixMCP yields more robust predictions than either the market or the LLM alone.
- Abstract（参考訳）: メンタルマーケットは、特定のキーワードが将来の公開イベントで言及されるかどうかに基づいて契約が解決される予測市場の一種であり、キーワード傾向の結果の正確な確率的予測を必要とする。
近年の研究では、大きな言語モデル(LLM)が人間の予測と競合する予測を生成できることが示されているが、正確な予測をサポートするために入力コンテキストをどのように設計すべきかは定かではない。
そこで本研究では,企業が今後実施するコール中に特定のキーワードに言及するかどうかを予測する必要がある,収支報告市場の実験を通じて,この問題を考察する。
コントロールされた比較をさまざまな形で実行します
一 文脈情報の提供(新規及び/又は前回決算書面)及び
(ii)「textit{market probability}(市場価格の予測)」の使用方法
我々は,マーケット・コンディションド・プロンプティング(MCP)を導入し,市場が実現した確率を先例として明示的に扱い,ベースレートをゼロから再予測するのではなく,テキストによる証拠を用いて先例を更新するようLLMに指示した。
実験では,(1)よりリッチな文脈で予測性能が継続的に向上し,(2)マーケット条件付きプロンプト(MCP)が先行して市場確率を扱い,テキストによる証拠を用いてそれを更新し,より良いキャリブレーションの予測を得る,(3)市場確率とMCP(MixMCP)の混合が市場ベースラインを上回っている,という3つの知見が得られた。
LLMの市場に対する後続の更新を減らすことで、MixMCPは市場またはLLM単独よりも堅牢な予測が得られる。
関連論文リスト
- Prediction Markets with Intermittent Contributions [2.7429630700600893]
私たちは予測市場に基づいて、より一般的な枠組みに身を置いています。
そこでは、独立系エージェントが報酬と引き換えに、不確実な将来の出来事の予測を交換している。
我々は、(i)エージェントの歴史的パフォーマンスを考慮に入れた予測市場を導入・分析し、(ii)エージェントが自発的に市場に入り、出ることを許可する一方、(iii)エージェントは、時間的に変化する条件に適応する。
論文 参考訳（メタデータ） (2025-10-15T10:23:28Z) - 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) - Market-Derived Financial Sentiment Analysis: Context-Aware Language Models for Crypto Forecasting [0.15833270109954134]
本稿では,短期的価格トレンドに基づく市場からのラベリング手法を提案する。
ドメイン固有言語モデルはこれらのラベルに基づいて微調整され、短期トレンド予測精度が最大11%向上した。
以上の結果から,言語モデルが短期市場予測に有効であることが示唆された。
論文 参考訳（メタデータ） (2025-02-17T21:35:18Z) - Conformal Prediction for Electricity Price Forecasting in the Day-Ahead and Real-Time Balancing Market [0.0]
再生可能エネルギーの電気市場への統合は 価格安定に重大な課題をもたらします
本研究では, Conformal Prediction (CP) 技術を用いた確率的価格予測の強化について検討した。
本稿では,量子レグレッションモデルの効率と時系列適応CP手法の強靭なカバレッジ特性を組み合わせたアンサンブル手法を提案する。
論文 参考訳（メタデータ） (2025-02-07T13:57:47Z) - Consistency Checks for Language Model Forecasters [54.62507816753479]
予測器の性能を,論理的に異なる質問に対する予測の整合性の観点から測定する。
我々は,一連の基本質問を生成し,これらの質問から整合性チェックをインスタンス化し,予測者の予測を導き,予測の整合性を測定する自動評価システムを構築した。
論文 参考訳（メタデータ） (2024-12-24T16:51:35Z) - F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。
タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。
従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文 参考訳（メタデータ） (2024-06-23T21:28:50Z) - 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) - Deep Q-Learning Market Makers in a Multi-Agent Simulated Stock Market [58.720142291102135]
本稿では,エージェント・ベースの観点から,これらのマーケット・メーカーの戦略に関する研究に焦点をあてる。
模擬株式市場における知的市場マーカー作成のための強化学習(Reinforcement Learning, RL)の適用を提案する。
論文 参考訳（メタデータ） (2021-12-08T14:55:21Z) - Models, Markets, and the Forecasting of Elections [3.8138805042090325]
我々は、選挙の数ヶ月前に市場のパフォーマンスが向上し、選挙が近づくにつれてモデルが良くなるという、時間とともに正確さの体系的な違いを見出した。
取引ボットを介してモデル予測を組み込んで合成予測を生成する市場設計を提案する。
論文 参考訳（メタデータ） (2021-02-06T19:05:07Z)
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。