論文の概要: FinSTaR: Towards Financial Reasoning with Time Series Reasoning Models

• arxiv url: http://arxiv.org/abs/2605.03460v1
• Date: Tue, 05 May 2026 07:46:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.823625
• Title: FinSTaR: Towards Financial Reasoning with Time Series Reasoning Models
• Title（参考訳）: FinSTaR:時系列推論モデルによるファイナンシャル推論を目指して
• Authors: Seunghan Lee, Jun Seo, Jaehoon Lee, Sungdong Yoo, Minjae Kim, Tae Yoon Lim, Dongwan Kang, Hwanil Choi, Soonyoung Lee, Wonbin Ahn,
• Abstract要約: 時系列(TSRM)は一般的なドメインで有望な能力を示しているが、金融ドメインでは一貫して失敗している。 本研究では, TSRMの一般的な2x2機能分類法を提案する。1) 単一エンタリティ対マルチエンタリティ分析, 2) 現状の評価と将来の行動予測について。
• 参考スコア（独自算出の注目度）: 12.754011132549167
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Time series (TS) reasoning models (TSRMs) have shown promising capabilities in general domains, yet they consistently fail on financial domain, which exhibit unique characteristics. We propose a general 2x2 capability taxonomy for TSRMs by crossing 1) single-entity vs. multi-entity analysis with 2) assessment of the current state vs. prediction of future behavior. We instantiate this taxonomy in the financial domain -- where the distinction between deterministic assessment and stochastic prediction is particularly critical -- as ten financial reasoning tasks, forming the FinTSR-Bench benchmark based on S&P stocks. To this end, we propose FinSTaR (Financial Time Series Thinking and Reasoning), trained on FinTSR-Bench with distinct chain-of-thought (CoT) strategies tailored to each category. For assessment, which is deterministic (i.e., computable from observable data), we employ Compute-in-CoT, a programmatic CoT that enables models to derive answers directly from raw prices. For prediction, which is inherently stochastic (i.e., subject to unobservable factors), we adopt Scenario-Aware CoT, which generates diverse scenarios before making a judgment, mirroring how financial analysts reason under uncertainty. The proposed method achieves 78.9% average accuracy on FinTSR-Bench, substantially outperforming LLM and TSRM baselines. Furthermore, we show that the four capability categories are complementary and mutually reinforcing through joint training, and that Scenario-Aware CoT consistently improves prediction accuracy over standard CoT. Code is publicly available at: https://github.com/seunghan96/FinSTaR.
• Abstract（参考訳）: 時系列推論モデル(TSRM)は、一般的なドメインにおいて有望な機能を示すが、ユニークな特性を示す金融ドメインでは一貫して失敗する。 TSRMの交差による一般的な2x2機能分類法を提案する。 1)シングルエンティリティ対マルチエンティリティ分析 2) 将来の行動予測に対する現状の評価。 我々は、決定論的評価と確率的予測の区別が特に重要である金融分野において、この分類を10の財務推論タスクとしてインスタンス化し、S&P株に基づくFinTSR-Benchベンチマークを作成します。 この目的のために、FinTSR-Benchで訓練されたFinSTaR(Financial Time Series Thinking and Reasoning)を提案する。 決定論的(可観測データから計算可能な)な評価のために、我々はCompute-in-CoTというプログラムCoTを採用している。 本質的に確率的(すなわち観測不可能な要因)な予測については、金融アナリストが不確実性の下でどのように判断するかを反映して、判断する前に様々なシナリオを生成するシナリオ・アウェアCoTを採用する。 提案手法はFinTSR-Bench上で78.9%の平均精度を達成し,LLMとTSRMのベースラインを大幅に上回った。 さらに,4つの機能カテゴリは協調訓練によって補完的かつ相互に強化され,Scenario-Aware CoTは標準CoTよりも常に予測精度を向上することを示した。 コードは、https://github.com/seunghan96/FinSTaR.comで公開されている。

関連論文リスト

• CTBench: Cryptocurrency Time Series Generation Benchmark [11.576635693346486]
  textsfCTBenchは、暗号ドメイン用に調整された、最初の総合的なTSGベンチマークである。 textsfCTBenchは、452トークンからオープンソースのデータセットをキュレートし、5つの主要な次元にまたがる13のメトリクスにわたるTSGモデルを評価する。 4つの異なる市場体制にまたがる5つの方法論家を代表する8つのモデルをベンチマークし、統計的忠実性と現実世界の収益性の間のトレードオフを明らかにする。
  論文  参考訳（メタデータ） (2025-08-03T17:07:08Z)
• FinChain: A Symbolic Benchmark for Verifiable Chain-of-Thought Financial Reasoning [82.7292329605713]
  FinChainは、ファイナンスにおける検証可能なChain-of-Thought評価のために特別に設計された最初のベンチマークである。 12の金融ドメインに58のトピックがあり、それぞれがパラメータ化されたシンボリックテンプレートと実行可能なPythonトレースで表現されている。 FinChainは、多段階の財務推論における永続的な弱点を明らかにし、信頼できる、解釈可能な、検証可能な金融AIを開発するための基盤を提供する。
  論文  参考訳（メタデータ） (2025-06-03T06:44:42Z)
• Timing is Important: Risk-aware Fund Allocation based on Time-Series Forecasting [10.540006708939647]
  我々は、資金配分の問題を解決するために、リスク対応の時系列予測(RTS-PnO)フレームワークを導入する。 このフレームワークには, 目標アライメント測定によるエンドツーエンドトレーニング, (ii) 適応予測の不確実性校正, (iii) 予測モデルに非依存な3つの特徴がある。 RTS-PnOの評価はオンラインとオフラインの両方の実験で行われている。
  論文  参考訳（メタデータ） (2025-05-30T17:36:45Z)
• FinTSB: A Comprehensive and Practical Benchmark for Financial Time Series Forecasting [58.70072722290475]
  ファイナンシャル・タイム・シリーズ(FinTS)は、人間の脳を増強した意思決定の行動を記録する。 FinTSBは金融時系列予測のための総合的で実用的なベンチマークである。
  論文  参考訳（メタデータ） (2025-02-26T05:19:16Z)
• 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)
• 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)
• Gaussian process imputation of multiple financial series [71.08576457371433]
  金融指標、株価、為替レートなどの複数の時系列は、市場が潜んでいる状態に依存しているため、強く結びついている。 金融時系列間の関係を多出力ガウスプロセスでモデル化することで学習することに注力する。
  論文  参考訳（メタデータ） (2020-02-11T19:18:18Z)

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。