論文の概要: Can News Predict the Market? Limits of Zero-Shot Financial NLP and the Role of Explainable AI

• arxiv url: http://arxiv.org/abs/2606.12210v1
• Date: Wed, 10 Jun 2026 15:28:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.52722
• Title: Can News Predict the Market? Limits of Zero-Shot Financial NLP and the Role of Explainable AI
• Title（参考訳）: ニュースは市場を予測できるか? ゼロショット金融NLPの限界と説明可能なAIの役割
• Authors: Ali M Karaoglu, Shreyank N Gowda,
• Abstract要約: そこで本研究では,ドメイン固有のトレーニングを使わずに,財務情報から実行可能な信号を抽出できるかどうかを検討する。 ゼロショット自然言語推論と時間的アグリゲーションを組み合わせた構造化パイプラインを設計する。 ハイテイク設定における透明性の必要性に対処するために,多層的な説明可能性フレームワークを導入する。
• 参考スコア（独自算出の注目度）: 11.542407696902115
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Can financial news reliably predict short-term stock movements? Despite advances in large language models, this question remains unresolved. We revisit this problem using a zero-shot natural language processing framework, investigating whether models can extract actionable signals from financial news without domain-specific training. We design a structured pipeline that combines zero-shot natural language inference with temporal aggregation, explicitly modelling recency and event-dependent impact horizons when integrating information across articles. To address the need for transparency in high-stakes settings, we introduce a multi-layered explainability framework that links predictions to token-level, article-level, and aggregate evidence, and produces grounded natural language rationales. Across multiple models and prediction horizons, we find that zero-shot approaches consistently fail to outperform simple baselines, with particularly weak performance on negative movements, suggesting deeper structural limitations in mapping news sentiment to short-term price dynamics. However, explainability signals reliably distinguish between trustworthy and unreliable predictions, offering practical value even when accuracy is limited. These findings highlight the limits of zero-shot financial NLP and motivate a shift toward decision-support systems that prioritise transparency and uncertainty awareness. Code: https://github.com/alimert05/zero-shot-stock-xai
• Abstract（参考訳）: 金融ニュースは短期株価の動きを確実に予測できるのか? 大規模な言語モデルの進歩にもかかわらず、この問題は未解決のままである。 我々は、ゼロショット自然言語処理フレームワークを用いてこの問題を再考し、モデルがドメイン固有のトレーニングなしで金融ニュースから実行可能な信号を抽出できるかどうかを検討する。 我々は、ゼロショット自然言語推論と時間的アグリゲーションを組み合わせた構造化パイプラインを設計し、記事間で情報を統合する際に、正確さと事象依存の影響の地平線を明示的にモデル化する。 トークンレベル, 記事レベル, 集合的エビデンスに予測をリンクする多層的説明可能性フレームワークを導入し, 基礎的な自然言語の理論的根拠を生成する。 複数のモデルと予測地平線をまたいで、ゼロショットアプローチは、ニュース感情を短期価格のダイナミクスにマッピングする際のより深い構造的制限を示唆し、特にネガティブな動きの弱い単純なベースラインを常に上回りません。 しかし、説明可能性信号は信頼できない予測と信頼できない予測を確実に区別し、精度が制限された場合でも実用的な価値を提供する。 これらの知見は、ゼロショット金融NLPの限界を浮き彫りにして、透明性と不確実性認識を優先する意思決定支援システムへのシフトを動機付けている。 コード:https://github.com/alimert05/zero-shot-stock-xai

関連論文リスト

• Nexus : An Agentic Framework for Time Series Forecasting [72.73790673303154]
  時系列予測は、ニュースやイベントのような構造化されていないコンテキストデータによる推論を必要とする。 予測を特殊なステージに分解するマルチエージェント予測フレームワークであるNexusを紹介します。 本研究では,現在のLLMは,従来よりも強い固有予測能力を有することを示す。
  論文  参考訳（メタデータ） (2026-05-14T05:12:13Z)
• Beyond Confidence: The Rhythms of Reasoning in Generative Models [16.58205184223738]
  大きな言語モデル(LLM)は、わずかに入力コンテキストの変化に対する感度に悩まされ、信頼性を損なうという印象的な能力を示す。 我々は,LLMが耐えうる最大内部状態を,その支配的な次トーケン予測が大幅に変化する前に定量化する新しい計量であるToken Constraint Bound(_mathrmTCB$)を紹介する。 実験の結果, 実効的なプロンプトエンジニアリングと相関し, 文脈内学習やテキスト生成において, 難易度に欠ける致命的な予測不安定性を明らかにすることができた。
  論文  参考訳（メタデータ） (2026-02-11T12:58:23Z)
• Towards Explainable and Reliable AI in Finance [2.666791490663749]
  ファイナンスにおける説明可能で信頼性の高いAIへのいくつかのアプローチを提案する。 予測性能と信頼性推定とルールベースの推論を統合することで、我々のフレームワークは透明で監査可能な金融AIシステムを発展させる。
  論文  参考訳（メタデータ） (2025-10-30T11:05:15Z)
• Foundation Models for Logistics: Toward Certifiable, Conversational Planning Interfaces [59.80143393787701]
  大規模言語モデル(LLM)は不確実性に対処し、導入障壁を低くしながら再計画の加速を約束する。 本稿では,自然言語対話のアクセシビリティと目標解釈の検証可能な保証とを組み合わせたニューロシンボリック・フレームワークを提案する。 わずか100個の不確実性フィルタで微調整された軽量モデルは、GPT-4.1のゼロショット性能を上回り、推論遅延を50%近く削減する。
  論文  参考訳（メタデータ） (2025-07-15T14:24:01Z)
• Are You Getting What You Pay For? Auditing Model Substitution in LLM APIs [71.7892165868749]
  LLM(Commercial Large Language Model) APIは基本的な信頼の問題を生み出します。 ユーザーは特定のモデルに課金するが、プロバイダが忠実に提供できることを保証することはない。 我々は,このモデル置換問題を定式化し,現実的な逆条件下での検出方法を評価する。 我々は,信頼された実行環境(TEE)を実用的で堅牢なソリューションとして使用し,評価する。
  論文  参考訳（メタデータ） (2025-04-07T03:57:41Z)
• Not all tokens are created equal: Perplexity Attention Weighted Networks for AI generated text detection [49.15148871877941]
  大規模言語モデル(LLM)の検出に理論的に魅力的なアプローチを提供する次点分布出力 本稿では,LLMの最後の隠蔽状態を用いて,列長の次トーケン分布のメトリクスに基づく一連の特徴量の重み付けを行うパープレキシティ注意重み付けネットワーク(PAWN)を提案する。 PAWNは、トレーニング可能なパラメータのごく一部を持つ最強のベースラインよりも、競争力があり、より優れた分散性能を示している。
  論文  参考訳（メタデータ） (2025-01-07T17:00:49Z)
• Language Model Cascades: Token-level uncertainty and beyond [65.38515344964647]
  言語モデル(LM)の最近の進歩により、複雑なNLPタスクの品質が大幅に向上した。 Cascadingは、より好ましいコスト品質のトレードオフを達成するためのシンプルな戦略を提供する。 トークンレベルの不確実性を学習後遅延ルールに組み込むことで,単純な集約戦略を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2024-04-15T21:02:48Z)
• FinLlama: Financial Sentiment Classification for Algorithmic Trading Applications [2.2661367844871854]
  大規模言語モデル(LLM)はこの文脈で使用することができるが、財務に特化せず、重要な計算資源を必要とする傾向がある。 我々はLlama 2 7Bの基礎モデルに基づく新しいアプローチを導入し,その生成特性と包括的言語操作の利点を享受する。 これは、Llama2 7Bモデルを教師付き財務感情分析データの一部に微調整することで達成される。
  論文  参考訳（メタデータ） (2024-03-18T22:11:00Z)
• 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)
• Forecasting Cryptocurrency Returns from Sentiment Signals: An Analysis of BERT Classifiers and Weak Supervision [6.624726878647541]
  我々は、テキストデータがラベル付けされていない問題に対処するための、最近提案されたNLPアプローチである弱い学習を導入する。 弱いラベルを用いた微調整は、テキストベースの特徴の予測値を高め、暗号通貨のリターンを予測する文脈で予測精度を高めることを確認した。 より根本的には、我々が提示するモデリングパラダイム、弱いラベル付けドメイン固有テキスト、微調整済みNLPモデルは、(金融)予測において普遍的に適用可能である。
  論文  参考訳（メタデータ） (2022-04-06T07:45:05Z)

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。