論文の概要: Fast Numbers, Slow Language: Bridging Quantitative and Qualitative Earnings Signals
- arxiv url: http://arxiv.org/abs/2606.29734v1
- Date: Mon, 29 Jun 2026 03:18:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:16.02994
- Title: Fast Numbers, Slow Language: Bridging Quantitative and Qualitative Earnings Signals
- Title（参考訳）: 高速, 遅い言語: 定量的, 質的Earnings信号のブリッジ
- Abstract要約: 経済学者は50年間、量的サプライズを研究しており、自然言語処理の研究者は10年間、定性的ECT信号を研究してきた。
EarningsInOneは、SP 1500のニュース、ECT、日内および翌日の価格を調整した最初のコーパスです。
両方の信号タイプに統一的なトレーディングと評価ツールを適用することで、クリーンな速度分離、高速数値、遅い言語を確認します。
- 参考スコア（独自算出の注目度）: 18.19730724521297
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Earnings announcements release two types of information sequentially: quantitative surprise (numeric earnings-per-share (EPS)/revenue versus analyst estimate) arrives first in press releases and financial news, processed by algorithmic traders within minutes; qualitative language (management tone, guidance, question-and-answer (Q&A) credibility) arrives 30-90 min later in the earnings conference call transcript (ECT), requiring human interpretation overnight. Financial economists have studied quantitative surprise for 50 years; natural language processing (NLP) researchers have studied qualitative ECT signals for a decade. Despite studying the same event, the two communities used incompatible frameworks: different targets (return vs. volatility), trading setups (long top-decile and short bottom-decile vs. trade-all), and metrics (return spread between top and bottom 20% (Q5-Q1) vs. mean squared error (MSE)), making direct comparison and connection challenging. We bridge these communities with EarningsInOne, the first corpus aligning earnings news, ECTs, and intraday and next-day prices across SP 1500 (broad U.S. equity universe, 2022-2025). Applying unified trading and evaluation tools to both signal types, we confirm a clean speed separation, fast numbers, slow language: quantitative surprise peaks at announcement and is largely eliminated by the next market open; qualitative ECT sentiment peaks on the next trading day, real and tradeable, but hidden under prior transcript-based evaluation that optimised sign-agnostic volatility with pointwise MSE.
- Abstract（参考訳）: 量的サプライズ(EPS/revenue/revenue対アナリスト推定)は、まずプレスリリースと金融ニュースに届き、数分以内にアルゴリズムトレーダーによって処理される。
経済学者は50年間、量的サプライズを研究し、自然言語処理(NLP)の研究者は10年間、定性的ECT信号を研究してきた。
異なるターゲット(リターン対ボラティリティ)、トレーディングセットアップ(ロングトップ決定とショートボトム決定対トレーディングオール)、メトリクス(トップとボトム20%(Q5-Q1)と平均2乗誤差(MSE))という、互換性のないフレームワークを使用して、直接比較と接続が困難になった。
EarningsInOneは、SP 1500(米国株式の世界を横切る2022-2025)のニュース、ECT、日内および翌日の価格を調整した最初のコーパスです。
両信号タイプに統一的なトレーディングと評価ツールを適用することで、クリーンなスピード分離、高速な数、遅い言語を確認できます。発表時の量的驚きのピークが、次の市場が開くと、大きく取り除かれます。
関連論文リスト
- Same Day, Same Story; One Day Ahead, a Different Signal: The Dual Validity of Financial Sentiment [5.121117558582558]
構成的妥当性と予測的妥当性の関係は,サンプリング規則とスコア表現に依存することがわかった。
スパムが17.6%の会話では、メッセージボリュームは市場損害も決済サイズも予測しない。
論文 参考訳（メタデータ） (2026-09-10T06:37:33Z) - Supervised Fine-Tuning vs. In-Context Learning: An Equilibrium Analysis of LLM Personalization under Congestion [52.722575491987904]
ICL と SFT は,事前学習とデータ信号対雑音比の相互関係によって決定される。
どちらのパーソナライズ手法も、計算負荷が増大する可能性があるにもかかわらず、プラットフォームの最大利益を損なうことはないことを実証する。
論文 参考訳（メタデータ） (2026-07-15T21:17:42Z) - Foresight Arena: An On-Chain Benchmark for Evaluating AI Forecasting Agents [0.0]
私たちはForesight Arenaを紹介します。これは、現実世界の予測市場でAI予測エージェントを評価するための、最初の無許可のオンチェーンベンチマークです。
パフォーマンスはBrier ScoreとAlpha Scoreによって測定される。
80%のパワーで$* = 0.02$の真のエッジを検出するには、約350の解決されたバイナリ予測が必要である。
論文 参考訳（メタデータ） (2026-05-01T05:33:10Z) - Forecasting Future Language: Context Design for Mention Markets [81.25011140991566]
我々は、参照市場における正確な予測を支援するために、入力コンテキストをどのように設計するかを検討する。
1 より豊かなコンテキストは予測性能を継続的に改善し、(2)市場条件付きプロンプト(MCP)は事前の市場確率を扱い、テキストによる証拠を用いてそれを更新し、より良いキャリブレーションの予測を得る、(3)市場確率とMCP(MixMCP)の混合が市場ベースラインを上回っている、という3つの洞察を得た。
論文 参考訳（メタデータ） (2026-02-04T12:43:31Z) - 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) - Enhancing Few-Shot Stock Trend Prediction with Large Language Models [9.439423168290011]
既存の手法は主に、広範囲な注釈付きデータに基づいてトレーニングされた教師付きモデルによる株価トレンドの予測に重点を置いている。
本稿では,ラベル付きデータの不足を克服するために,Large Language Models (LLM) を数ショットで使用することを提案する。
S&P500は66.59%、CSI-100は62.17%、HK株価予測は61.17%である。
論文 参考訳（メタデータ） (2024-07-12T05:43:11Z) - CTC-based Non-autoregressive Speech Translation [51.37920141751813]
非自己回帰音声翻訳における接続性時間分類の可能性について検討する。
我々は、CTCによって誘導される2つのエンコーダからなるモデルを構築し、ソースおよびターゲットテキストを予測する。
MuST-Cベンチマークの実験では、我々のNASTモデルは平均BLEUスコアが29.5であり、スピードアップは5.67$times$である。
論文 参考訳（メタデータ） (2023-05-27T03:54:09Z) - 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) - AlphaMLDigger: A Novel Machine Learning Solution to Explore Excess
Return on Investment [1.4502611532302039]
本稿では,高度変動市場における過剰なリターンを効果的に見出す2相AlphaMLDiggerを提案する。
フェーズ1では、Sina Microblogのブログを市場感情に転送するディープシーケンシャルなNLPモデルが提案されている。
第2フェーズでは、予測される市場感情と、ソーシャルネットワーク指標の特徴と株式市場履歴の特徴が組み合わされ、株価の動きが予測される。
論文 参考訳（メタデータ） (2022-06-22T13:37:58Z) - A Stock Trading System for a Medium Volatile Asset using Multi Layer
Perceptron [0.6882042556551609]
今後30日間の公開市場における価格予測のために,フィードフォワードディープニューラルネットワーク(DNN)のコアとなるストックトレーディングシステムを提案する。
結果は、非常に控えめな100ドルの予算からわずか1ヶ月で3.2%の総利益率をもたらすことを約束していた。
論文 参考訳（メタデータ） (2022-01-17T16:08:40Z) - 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)
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。