論文の概要: Not All News Is Equal: Topic- and Event-Conditional Sentiment from Finetuned LLMs for Aluminum Price Forecasting

• arxiv url: http://arxiv.org/abs/2603.09085v1
• Date: Tue, 10 Mar 2026 01:54:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:23.937394
• Title: Not All News Is Equal: Topic- and Event-Conditional Sentiment from Finetuned LLMs for Aluminum Price Forecasting
• Title（参考訳）: アルミニウム価格予測のための精巧なLCMの話題とイベントコンディションのセンシティメント
• Authors: Alvaro Paredes Amorin, Andre Python, Christoph Weisser,
• Abstract要約: 本研究は、英中ニュースの見出しから感情スコアを生成し、ベースメタル指標、為替レート、インフレ率、エネルギー価格と統合する。 2007年から2024年にかけて上海金属取引所の長短シミュレーションにより,これらのモデルの予測性能と経済性を評価した。
• 参考スコア（独自算出の注目度）: 0.8921166277011348
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: By capturing the prevailing sentiment and market mood, textual data has become increasingly vital for forecasting commodity prices, particularly in metal markets. However, the effectiveness of lightweight, finetuned large language models (LLMs) in extracting predictive signals for aluminum prices, and the specific market conditions under which these signals are most informative, remains under-explored. This study generates monthly sentiment scores from English and Chinese news headlines (Reuters, Dow Jones Newswires, and China News Service) and integrates them with traditional tabular data, including base metal indices, exchange rates, inflation rates, and energy prices. We evaluate the predictive performance and economic utility of these models through long-short simulations on the Shanghai Metal Exchange from 2007 to 2024. Our results demonstrate that during periods of high volatility, Long Short-Term Memory (LSTM) models incorporating sentiment data from a finetuned Qwen3 model (Sharpe ratio 1.04) significantly outperform baseline models using tabular data alone (Sharpe ratio 0.23). Subsequent analysis elucidates the nuanced roles of news sources, topics, and event types in aluminum price forecasting.
• Abstract（参考訳）: 一般的なセンチメントと市場のムードを捉えることで、特に金属市場において、商品価格の予測にはテキストデータの重要性が増している。 しかし、アルミニウム価格の予測信号抽出における軽量で微調整された大言語モデル(LLMs)の有効性や、これらの信号が最も情報に富む特定の市場条件については、未解明のままである。 この研究は、英語と中国のニュースの見出し(Reuters、Dow Jones Newswires、China News Service)から月々の感情スコアを生成し、それらをベースメタル指標、為替レート、インフレ率、エネルギー価格などの伝統的な表型データと統合する。 2007年から2024年にかけて上海金属取引所の長短シミュレーションにより,これらのモデルの予測性能と経済性を評価した。 その結果, 高ボラティリティ期間において, 微調整Qwen3モデル(シャープ比1.04)の感情データを組み込んだ長短記憶モデル(LSTM)が, 表形式データのみを用いたベースラインモデル(シャープ比0。 その後の分析により、アルミニウム価格予測におけるニュースソース、トピック、イベントタイプの役割の曖昧さが明らかになった。

関連論文リスト

• PriceSeer: Evaluating Large Language Models in Real-Time Stock Prediction [47.70107097572211]
  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。
  論文  参考訳（メタデータ） (2025-12-31T08:35:46Z)
• A Hybrid Model for Stock Market Forecasting: Integrating News Sentiment and Time Series Data with Graph Neural Networks [0.0]
  本稿では,企業のニュース記事と過去の株価データを統合して予測性能を向上させるマルチモーダルアプローチについて検討する。 米国株とブルームバーグのデータセットの実験は、GNNがLSTMベースラインを上回っていることを示している。 見出しには全記事よりも強い予測信号が含まれており、簡潔なニュース要約が短期市場反応において重要な役割を果たすことを示唆している。
  論文  参考訳（メタデータ） (2025-12-09T13:05:54Z)
• Predicting Stock Price Movement with LLM-Enhanced Tweet Emotion Analysis [2.4401219403555814]
  市場固有のボラティリティと投資家の感情への敏感さのため、短期株価の動きを正確に予測することは依然として難しい課題である。 本稿では、ツイートデータから抽出した感情特徴を過去の株価情報と統合し、翌日の大幅な価格変動を予測するディープラーニングフレームワークについて論じる。
  論文  参考訳（メタデータ） (2025-10-04T02:31:44Z)
• 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)
• 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)
• Predicting Stock Prices with FinBERT-LSTM: Integrating News Sentiment Analysis [2.7921137693344384]
  我々は、株価の歴史と金融、ビジネス、技術ニュースに基づくディープラーニングネットワークを使用し、株価を予測するために市場情報を導入しています。 我々はファイナンシャルテキスト中の感情を識別するために、FinBERTとして知られる事前学習NLPモデルを開発した。 このモデルは、市場構造階層、すなわち、市場、産業、および株価関連ニュースカテゴリに関するニュースカテゴリと、前週の株式市場の株価状況を組み合わせて予測する。
  論文  参考訳（メタデータ） (2024-07-23T03:26:07Z)
• Natural Language Processing and Multimodal Stock Price Prediction [0.8702432681310401]
  本稿では,従来の生通貨価値の活用とは対照的に,株価変動をトレーニングデータとして活用する。 パーセンテージの変化の選択は、価格変動の重要性に関する文脈をモデルに提供することを目的としている。 この研究は、株価トレンドを予測するために、特別なBERT自然言語処理モデルを用いている。
  論文  参考訳（メタデータ） (2024-01-03T01:21:30Z)
• Stock Movement and Volatility Prediction from Tweets, Macroeconomic Factors and Historical Prices [20.574163667057476]
  株式市場の予測にツイートデータを使用した以前の研究は、3つの課題に直面した。 ECONには、大量のツイートデータを効率的に抽出し、デコードするアデプトツイートフィルタがある。 意味空間における自己認識機構を通じて、ストック、セクター、マクロ経済要因間の多水準関係を識別する。
  論文  参考訳（メタデータ） (2023-12-04T22:27:43Z)
• 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)
• Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
  本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。 ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。 2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
  論文  参考訳（メタデータ） (2021-09-14T18:50:38Z)
• A Deep Learning Framework for Predicting Digital Asset Price Movement from Trade-by-trade Data [20.392440676633573]
  本稿では,取引単位のデータから暗号通貨の価格変動を予測する枠組みを提案する。 このモデルは、1年近いトレードバイトレーダデータで高いパフォーマンスを達成するために訓練されている。 現実的な取引シミュレーション環境では、モデルによる予測は簡単に収益化できる。
  論文  参考訳（メタデータ） (2020-10-11T10:42:02Z)

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。