論文の概要: Beyond Polarity: Multi-Dimensional LLM Sentiment Signals for WTI Crude Oil Futures Return Prediction

• arxiv url: http://arxiv.org/abs/2603.11408v2
• Date: Mon, 16 Mar 2026 22:36:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 13:19:43.755289
• Title: Beyond Polarity: Multi-Dimensional LLM Sentiment Signals for WTI Crude Oil Futures Return Prediction
• Title（参考訳）: 極性を超えて:WTI原油先物回収予測のための多次元LLM感度信号
• Abstract要約: 本稿では,大規模言語モデルにより抽出された多次元感情信号が,原油先物回収の週間予測を改善するかどうかを検討する。 我々はGPT-4o, Llama 3.2-3bとFinBERTとAlphaVantageの2つのベンチマークモデルに基づいて, 関係性, 極性, 強度, 不確実性, 前方性に関する感情次元を構築した。 以上の結果から,多次元LCMに基づく感情尺度が商品リターン予測を改善し,エネルギー市場リスクモニタリングを支援することが示唆された。
• 参考スコア（独自算出の注目度）: 3.2307563669402
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Forecasting crude oil prices remains challenging because market-relevant information is embedded in large volumes of unstructured news and is not fully captured by traditional polarity-based sentiment measures. This paper examines whether multi-dimensional sentiment signals extracted by large language models improve the prediction of weekly WTI crude oil futures returns. Using energy-sector news articles from 2020 to 2025, we construct five sentiment dimensions covering relevance, polarity, intensity, uncertainty, and forwardness based on GPT-4o, Llama 3.2-3b, and two benchmark models, FinBERT and AlphaVantage. We aggregate article-level signals to the weekly level and evaluate their predictive performance in a classification framework. The best results are achieved by combining GPT-4o and FinBERT, suggesting that LLM-based and conventional financial sentiment models provide complementary predictive information. SHAP analysis further shows that intensity- and uncertainty-related features are among the most important predictors, indicating that the predictive value of news sentiment extends beyond simple polarity. Overall, the results suggest that multi-dimensional LLM-based sentiment measures can improve commodity return forecasting and support energy-market risk monitoring.
• Abstract（参考訳）: 原油価格の予測は、市場関連情報が大量の非構造的なニュースに埋もれており、従来の極性に基づく感情尺度によって完全には捉えられていないため、依然として困難である。 本稿では,大規模言語モデルにより抽出された多次元感情信号が,WTI原油先物価格の週間予測を改善するかどうかを検討する。 GPT-4o, Llama 3.2-3b, およびFinBERTとAlphaVantageの2つのベンチマークモデルに基づいて, 2020年から2025年にかけてのエネルギーセクタニュース記事を用いて, 関連性, 極性, 強度, 不確実性, 前方性に関する5つの感情次元を構築した。 記事レベルの信号を週次レベルに集約し,その予測性能を分類フレームワークで評価する。 GPT-4oとFinBERTを組み合わせることで、LCMベースの従来型の金融感情モデルが補完的な予測情報を提供することを示す。 SHAP分析は、強度と不確実性に関連する特徴が最も重要な予測要因の1つであり、ニュース感情の予測値は単純な極性を超えていることを示している。 以上の結果から,多次元LCMに基づく感情尺度が商品リターン予測を改善し,エネルギー市場リスクモニタリングを支援することが示唆された。

関連論文リスト

• Generalized Stock Price Prediction for Multiple Stocks Combined with News Fusion [55.80546131166094]
  本稿では,Large Language Models (LLMs) と日次金融ニュースを統合して株価予測を行う手法を提案する。 我々は,事前学習したLLMを用いてニュース記事をエンコードし,ストック関連性に基づいてニュースをフィルタリングする3つのアテンションベースプール手法を実装した。 実験の結果,平均絶対誤差(MAE)はベースラインに比べて7.11%減少した。
  論文  参考訳（メタデータ） (2026-03-08T09:05:10Z)
• 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)
• Adaptive Financial Sentiment Analysis for NIFTY 50 via Instruction-Tuned LLMs , RAG and Reinforcement Learning Approaches [1.9116784879310027]
  金融感情分析における既存の研究は、株価や市場のフィードバックが感情分析に与える影響を考慮していない。 本研究では,大規模言語モデル(LLM)と現実世界の市場フィードバックを統合し,感情分類を改善する適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-23T06:27:12Z)
• Sentiment trading with large language models [0.0]
  OPTは感情予測の精度が最も高く、74.4%の精度を示している。 BERTとFINBERTは、より少ない範囲で予測的関連性を示す。 Loughran-McDonald辞書モデルのスコアとストックリターンとの間に有意な関係はみられない。
  論文  参考訳（メタデータ） (2024-12-26T15:01:24Z)
• Harnessing Earnings Reports for Stock Predictions: A QLoRA-Enhanced LLM Approach [6.112119533910774]
  本稿では、命令ベースの新しい手法と量子化低ランク適応(QLoRA)圧縮を組み合わせることで、LLM(Large Language Models)命令を微調整することで、高度なアプローチを提案する。 近年の市場指標やアナリストの成績等「外部要因」を統合して、リッチで教師付きデータセットを作成する。 この研究は、最先端のAIを微調整された財務データに統合する能力を実証するだけでなく、AI駆動の財務分析ツールを強化するための将来の研究の道を開く。
  論文  参考訳（メタデータ） (2024-08-13T04:53:31Z)
• FinBen: A Holistic Financial Benchmark for Large Language Models [75.09474986283394]
  FinBenは、24の財務タスクにまたがる36のデータセットを含む、最初の大規模なオープンソース評価ベンチマークである。 FinBenは、幅広いタスクとデータセット、ストックトレーディングの最初の評価、新しいエージェントと検索可能な生成(RAG)の評価、およびテキスト要約、質問応答、株式トレーディングのための3つの新しいオープンソース評価データセットを提供する。
  論文  参考訳（メタデータ） (2024-02-20T02:16:16Z)
• Ploutos: Towards interpretable stock movement prediction with financial large language model [43.51934592920784]
  PloutosはPloutosGenとPloutosGPTで構成される新しい金融フレームワークである。 PloutosGenには、テキストや数値など、さまざまなモーダルデータを分析し、異なる観点から定量的戦略を提供する、複数の主要な専門家が含まれている。 PloutosGPTのトレーニング戦略は、GPT-4を誘導して合理性を生成するリアビューミラープロンプト機構と、LLMを微調整するための動的トークン重み付け機構を活用する。
  論文  参考訳（メタデータ） (2024-02-18T10:28:18Z)
• 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)
• A Sentiment Analysis Approach to the Prediction of Market Volatility [62.997667081978825]
  金融ニュースとツイートから抽出された感情とFTSE100の動きの関係を調べました。 ニュース見出しから得られた感情は、市場のリターンを予測するシグナルとして使われる可能性があるが、ボラティリティには当てはまらない。 我々は,新たな情報の到着に応じて,市場の変動を予測するための正確な分類器を開発した。
  論文  参考訳（メタデータ） (2020-12-10T01:15:48Z)
• Reinforcement-Learning based Portfolio Management with Augmented Asset Movement Prediction States [71.54651874063865]
  ポートフォリオマネジメント(PM)は、最大利益や最小リスクといった投資目標を達成することを目的としている。 本稿では,PMのための新しいステート拡張RLフレームワークであるSARLを提案する。 当社の枠組みは, 金融PMにおける2つのユニークな課題に対処することを目的としている。(1) データの異種データ -- 資産毎の収集情報は通常, 多様性, ノイズ, 不均衡(ニュース記事など), (2) 環境の不確実性 -- 金融市場は多様で非定常である。
  論文  参考訳（メタデータ） (2020-02-09T08:10:03Z)

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。