論文の概要: Bypassing Document Ingestion: An MCP Approach to Financial Q&A

• arxiv url: http://arxiv.org/abs/2603.20316v1
• Date: Thu, 19 Mar 2026 22:04:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:38.833393
• Title: Bypassing Document Ingestion: An MCP Approach to Financial Q&A
• Title（参考訳）: 文書の摂取をバイパスする - MCPによる財務Q&Aへのアプローチ-
• Abstract要約: 我々は,モデルコンテキストプロトコル (MCP) が標準検索拡張世代 (RAG) に対して,より信頼性の高い代替手段を提供するか否かを検討した。 LSEG APIをツールとして公開し、FinDERベンチマークで評価する独自のMPPサーバを構築することで、これをテストします。 このアプローチはファイナンスサブセットで特にうまく機能し、関連するコンテキストが検索されると、多段階の数値問題に対して最大80.4%の精度が達成される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Answering financial questions is often treated as an information retrieval problem. In practice, however, much of the relevant information is already available in curated vendor systems, especially for quantitative analysis. We study whether, and under which conditions, Model Context Protocol (MCP) offers a more reliable alternative to standard retrieval-augmented generation (RAG) by allowing large language models (LLMs) to interact directly with data rather than relying on document ingestion and chunk retrieval. We test this by building a custom MCP server that exposes LSEG APIs as tools and evaluating it on the FinDER benchmark. The approach performs particularly well on the Financials subset, achieving up to 80.4% accuracy on multi-step numerical questions when relevant context is retrieved. The paper thus provides both a baseline for MCP-based financial question answering (QA) and evidence on where this approach breaks down, such as for questions requiring qualitative or document-specific context. Overall, direct access to curated data is a lightweight and effective alternative to document-centric RAG for quantitative financial QA, but not a substitute for all financial QA tasks.
• Abstract（参考訳）: 金銭的問題に対する回答は情報検索問題として扱われることが多い。 しかし実際には、関連する情報の多くは、特に定量的分析のために、既にキュレートされたベンダーシステムで利用可能である。 文書の取り込みやチャンク検索に頼るのではなく,大規模言語モデル(LLM)が直接データと対話できるようにすることにより,モデルコンテキストプロトコル(MCP)が標準検索拡張生成(RAG)の代替として信頼性の高いものを提供するかどうかを検討する。 LSEG APIをツールとして公開し、FinDERベンチマークで評価する独自のMPPサーバを構築することで、これをテストします。 このアプローチはファイナンスサブセットで特にうまく機能し、関連するコンテキストが検索されると、多段階の数値問題に対して最大80.4%の精度が達成される。 そこで本論文は,MPPに基づく財務質問応答(QA)のベースラインと,質的あるいは文書的コンテキストを必要とする質問など,このアプローチがどこで崩壊するかの証拠を提供する。 全体として、キュレートされたデータへの直接アクセスは、定量的な財務QAのためにドキュメント中心のRAGの軽量で効果的な代替手段であるが、すべての財務QAタスクの代わりにはならない。

関連論文リスト

• Navigating Large-Scale Document Collections: MuDABench for Multi-Document Analytical QA [25.155696504567718]
  本稿では,大規模半構造化文書コレクションに対する解析的質問応答の課題について紹介する。 マルチドキュメント分析QAのベンチマークである MuDABench を提案する。
  論文  参考訳（メタデータ） (2026-04-24T05:28:51Z)
• Scaling Beyond Context: A Survey of Multimodal Retrieval-Augmented Generation for Document Understanding [61.36285696607487]
  文書理解は、財務分析から科学的発見への応用に不可欠である。 現在のアプローチでは、OCRベースのパイプラインがLarge Language Models(LLM)やネイティブのMultimodal LLMs(MLLM)に制限されている。 Retrieval-Augmented Generation (RAG)は、外部データの基底モデルを支援するが、文書のマルチモーダルな性質は、テキスト、テーブル、チャート、レイアウトを組み合わせることで、より高度なパラダイムを必要とする。
  論文  参考訳（メタデータ） (2025-10-17T02:33:16Z)
• FinLFQA: Evaluating Attributed Text Generation of LLMs in Financial Long-Form Question Answering [57.43420753842626]
  FinLFQAは、複雑な財務問題に対する長文の回答を生成するための大規模言語モデルの能力を評価するために設計されたベンチマークである。 回答品質と属性品質の両方をカバーする自動評価フレームワークを提供する。
  論文  参考訳（メタデータ） (2025-10-07T20:06:15Z)
• 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)
• FinDER: Financial Dataset for Question Answering and Evaluating Retrieval-Augmented Generation [65.04104723843264]
  ファイナンスにおけるRetrieval-Augmented Generation(RAG)に適したエキスパート生成データセットであるFinDERを提案する。 FinDERは、ドメインの専門家による検索関連証拠の注釈付けに重点を置いており、5,703のクエリ・エビデンス・アンサー・トリプルを提供している。 大きなコーパスから関連する情報を取得するためにモデルに挑戦することで、FinDERはRAGシステムを評価するためのより現実的なベンチマークを提供する。
  論文  参考訳（メタデータ） (2025-04-22T11:30:13Z)
• FinSage: A Multi-aspect RAG System for Financial Filings Question Answering [10.953520766530005]
  FinSageはマルチモーダルな事前処理パイプラインで、多様なデータフォーマットを統一し、メタデータの要約を生成する。 実験の結果、FinSageは75人の専門家による質問に対して92.51%の印象的なリコールを達成した。 FinSageは、すでに1200人以上が利用しているオンラインミーティングにおいて、財務的な質問応答エージェントとして成功している。
  論文  参考訳（メタデータ） (2025-04-20T04:58:14Z)
• SEC-QA: A Systematic Evaluation Corpus for Financial QA [12.279234447220155]
  既存のデータセットは、多くの場合、サイズ、コンテキスト、実用的なアプリケーションとの関連性によって制約される。 2つの重要な特徴を持つ継続的データセット生成フレームワークであるSEC-QAを提案する。 本稿では,複雑な情報検索と定量的推論パイプラインの実行能力を向上させるプログラム・オブ・思想に基づくQAシステムを提案する。
  論文  参考訳（メタデータ） (2024-06-20T15:12:41Z)
• 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)
• Query Focused Multi-Document Summarization with Distant Supervision [88.39032981994535]
  既存の作業は、クエリとテキストセグメント間の関連性を推定する検索スタイルの手法に大きく依存している。 本稿では,クエリに関連するセグメントを推定するための個別モジュールを導入した粗大なモデリングフレームワークを提案する。 我々のフレームワークは、標準QFSベンチマークにおいて、強力な比較システムよりも優れていることを実証する。
  論文  参考訳（メタデータ） (2020-04-06T22:35:19Z)

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。