論文の概要: Global Merger-Arbitrage Forecasting with Language Models

• arxiv url: http://arxiv.org/abs/2607.09921v1
• Date: Fri, 10 Jul 2026 19:16:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.245992
• Title: Global Merger-Arbitrage Forecasting with Language Models
• Title（参考訳）: 言語モデルを用いたグローバルマーガー・アービタージュ予測
• Abstract要約: 本稿では,合併仲裁のための言語モデル予測システムについて述べる。 数百ページに及ぶ技術文書の長文推論を必要とする設定について検討する。 我々のシステムは、専門家が指導する文脈工学と、歴史的取引から派生した後見誘導推論トレースの微調整を組み合わせる。
• 参考スコア（独自算出の注目度）: 1.9113387015954004
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a language-model forecasting system for merger arbitrage, a specialized high-stakes financial setting in which the task is to predict the outcome of announced M\&A deals. Unlike prior work on judgmental forecasting with LLMs, which has focused on broad mixed-topic benchmarks and short context such as news snippets, we study a setting that requires long-context reasoning over hundreds of pages of technical documents. Our system combines expert-guided context engineering with finetuning on hindsight-guided reasoning traces derived from historical deals. Given an announced deal, it outputs a probability distribution over three mutually exclusive outcomes: closing at announced terms, a higher bid, or deal termination. On an out-of-sample set of more than 400 large deals spanning 42 countries, our finetuned system achieves the best performance of any method we evaluate, reducing class-balanced Brier score to 0.151. This is 24\% below calibrated market-implied probabilities, 19\% below XGBoost, and 25-42\% below frontier language models. These results, together with ablation studies, show that LLM-based forecasting can succeed in specialized, long-context financial workflows, with hindsight-based supervision and expert-designed context playing a critical role.
• Abstract（参考訳）: 本稿では,合併仲裁のための言語モデル予測システムについて述べる。 幅広い混合トピックのベンチマークやニューススニペットなどの短い文脈に着目したLCMによる判断予測に関する以前の研究とは異なり、数百ページに及ぶ技術文書の長文推論を必要とする設定について検討する。 我々のシステムは、専門家が指導する文脈工学と、歴史的取引から派生した後見誘導推論トレースの微調整を組み合わせる。 発表された契約により、発表された条件での終了、より高い入札、取引終了の3つの排他的な結果の確率分布を出力する。 42か国にまたがる400以上の大型取引所のアウト・オブ・サンブル・セットにおいて、我々の微調整システムは評価対象の方法の最高の性能を達成し、クラスバランスのBrierスコアを0.151に下げる。 これは、キャリブレーションされた市場実装確率より24-%、XGBoostより19-%、フロンティア言語モデルより25-42-%低い。 これらの結果は、アブレーション研究とともに、後見に基づく監督と専門家が設計した文脈が重要な役割を担いながら、LLMベースの予測が、専門的で長期の財務ワークフローに成功できることを示している。

関連論文リスト

• AI Trading: Evaluating Large Language Models for Technical Market Analysis [0.0]
  大規模言語モデル(LLM)は、現代金融市場の異種情報環境を処理する強力なツールとして登場した。 本稿では,GPT-4 Turbo, Claude 3 Opus, Gemini 1.5 Pro, Llama 3 70B, and the domain-specialized FinGPTの5つのLLMの系統的比較評価を行った。 LLMはAIトレーディングシステム内で真に約束するが、ロバストなデプロイメントには、注意深いタスクの分解、厳格なバックテストプロトコル、ドメイン対応の微調整戦略が必要です。
  論文  参考訳（メタデータ） (2026-07-16T19:38:23Z)
• RAVEN: A Regime-Aware Variable-context Expert Network for Financial Time Series Forecasting [83.06074370551887]
  固定コンテキストウィンドウは、非定常価格プロセスの時間変化最適振り返りと一致しない。 本稿では,各サンプルの時間的文脈を適応的に決定するMixture-of-Expertsフレームワークを提案する。 累積ログリターン予測(HS300、S&P500)およびファンド販売予測の実験では、RAVENはSOTAのパフォーマンスを達成し、HS300ではピアソン相関を9.2%改善し、S&P500では20.2%改善し、MSEを18.2%削減している。
  論文  参考訳（メタデータ） (2026-06-23T02:11:04Z)
• Fact4ac at the Financial Misinformation Detection Challenge Task: Reference-Free Financial Misinformation Detection via Fine-Tuning and Few-Shot Prompting of Large Language Models [4.8239913268889]
  本稿では,「参照自由な財務誤情報検出」タスクの獲得手法について述べる。 本稿では,最先端の大規模言語モデルの推論能力を活かした包括的フレームワークを提案する。 提案方式は優れた有効性を示し,両公式リーダーボードのランキング1位を確保できた。
  論文  参考訳（メタデータ） (2026-04-16T05:38:58Z)
• Toward Expert Investment Teams:A Multi-Agent LLM System with Fine-Grained Trading Tasks [6.55184070677326]
  投資分析を細かなタスクに分解するマルチエージェント取引フレームワークを提案する。 実験結果から,細粒度タスクの分解はリスク調整されたリターンを著しく改善することが示された。 我々は,ストックインデックスと各システムの出力のばらつきとの相関を低くして,優れた性能を実現する。
  論文  参考訳（メタデータ） (2026-02-26T18:37:36Z)
• PieArena: Frontier Language Agents Achieve MBA-Level Negotiation Performance and Reveal Novel Behavioral Differences [13.759960839511807]
  マルチエージェントインタラクションを基盤とした大規模ベンチマークベンチマークであるPieArenaを紹介する。 代表的フロンティア言語エージェント(GPT-5)が、訓練されたビジネススクールの生徒と一致したり、成績が良くなった場合の、人間-専門家レベルのパフォーマンスの体系的証拠を見出した。
  論文  参考訳（メタデータ） (2026-02-05T04:52:20Z)
• Design and Empirical Study of a Large Language Model-Based Multi-Agent Investment System for Chinese Public REITs [5.339049926920038]
  本研究では,マルチエージェント協調に基づく大規模言語モデル(LLM)によるトレーディングフレームワークを提案する。 このシステムは4種類の分析エージェント、イベント、価格運動量、異なる次元の市場分析を統合している。
  論文  参考訳（メタデータ） (2026-01-22T16:35:27Z)
• Supervised Optimism Correction: Be Confident When LLMs Are Sure [91.7459076316849]
  教師付き微調整とオフライン強化学習の間には,新たな理論的関係が確立されている。 広く使われているビームサーチ法は、許容できない過度な最適化に悩まされていることを示す。 本稿では,トークンレベル$Q$-value推定のための簡易かつ効果的な補助的損失を導入したSupervised Optimism Correctionを提案する。
  論文  参考訳（メタデータ） (2025-04-10T07:50:03Z)
• 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)
• A Large-Scale Study of Relevance Assessments with Large Language Models: An Initial Look [52.114284476700874]
  本稿では,4つの異なる関連性評価手法が展開された大規模評価(TREC 2024 RAG Track)の結果について報告する。 自動生成UMBRELA判定は、完全に手動による判断を置き換えて、実行レベルの有効性を正確に捉えることができる。 意外なことに、LLMアシストは完全な手作業による評価と相関を増さないようで、人間のループプロセスに関連するコストは明らかな有意義な利益をもたらすものではないことを示唆している。
  論文  参考訳（メタデータ） (2024-11-13T01:12:35Z)
• The Eval4NLP 2023 Shared Task on Prompting Large Language Models as Explainable Metrics [36.52897053496835]
  生成型大規模言語モデル (LLM) は、タスクに関連する最小あるいは全くの例でタスクを解く顕著な能力を示している。 Eval4NLP 2023共有タスクを導入し、参加者に対して機械翻訳(MT)と要約評価のためのプロンプトとスコア抽出について検討する。 本稿では,参加者のアプローチの概要を述べるとともに,MTと要約データセットの3つの言語対にまたがる新しい参照なしテストセットについて評価する。
  論文  参考訳（メタデータ） (2023-10-30T17:55:08Z)
• Mastering the Task of Open Information Extraction with Large Language Models and Consistent Reasoning Environment [52.592199835286394]
  オープン情報抽出(OIE)は、自然文から客観的な構造化された知識を抽出することを目的としている。 大規模言語モデル(LLM)は、テキスト内学習能力に優れています。
  論文  参考訳（メタデータ） (2023-10-16T17:11:42Z)

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。