論文の概要: AWARE-FX: An Auditable Knowledge-Guided AI System for Measuring Corporate Foreign-Exchange Hedging Disclosure
- arxiv url: http://arxiv.org/abs/2607.27611v1
- Date: Thu, 30 Jul 2026 02:58:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.370917
- Title: AWARE-FX: An Auditable Knowledge-Guided AI System for Measuring Corporate Foreign-Exchange Hedging Disclosure
- Title（参考訳）: AWARE-FX:企業外取引ヘッジ開示を計測する監査可能な知識誘導型AIシステム
- Abstract要約: 企業年次報告書には、外国為替リスク管理、デリバティブ・ユース、ナチュラル・ヘッジ、明示的な非使用に関する弱い構造化された証拠が含まれている。
本研究では,AI/NLP意思決定支援システムであるAWARE-FXを開発した。
- 参考スコア（独自算出の注目度）: 5.667104793245957
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Corporate annual reports contain weakly structured evidence about foreign-exchange risk management, derivative use, natural hedging, and explicit non-use. This study develops AWARE-FX, an auditable AI/NLP decision-support system that converts report text into traceable firm-year hedging-disclosure measures. The system combines a professional-source lexicon, negation and accounting-status logic, channel-specific financial encoders, exact evidence gates, conservative aggregation, and an audit ledger. Across 24,909 Hong Kong firm-years from 2008-2025, it retrieves and scores 543,527 snippets. Reliability is evaluated through ablations, a stratified 300-snippet human audit, three-seed FinBERT-ModernBERT comparisons, strict 2023-2025 temporal tests, probability calibration, selective prediction, and fixed-prompt generative-model benchmarks. FinBERT has the higher mean F1 in seven of eight encoder task-split comparisons; its temporal F1 ranges from 0.702 to 0.872. Abstaining on the 20% least-confident temporal observations raises retained-sample F1 by 0.050-0.077. Deterministic Qwen3-8B performs strongly on commodity and negation evidence but poorly on foreign-debt and accounting-context labels, showing that a general-purpose LLM does not uniformly replace domain constraints. The strict FX score is negatively associated with linked baseline and stress-period FX exposure, whereas the generic broad score is not. These associations provide external construct validation, not causal estimates of hedging effectiveness. AWARE-FX contributes a tested decision-support architecture in which retrieval, status logic, classification, uncertainty handling, aggregation, and external validation remain separately auditable.
- Abstract（参考訳）: 企業年次報告書には、外国為替リスク管理、デリバティブ・ユース、自然放牧、明示的な非使用に関する弱い構造化された証拠が含まれている。
本研究では,AI/NLP意思決定支援システムであるAWARE-FXを開発した。
このシステムは、プロフェッショナルソースのレキシコン、否定と会計統計学、チャネル固有の金融エンコーダ、正確なエビデンスゲート、保守的な集約、監査台帳を組み合わせる。
2008年から2025年にかけての香港の企業年数は24,909社を超え、スニペット543,527枚を回収・スコア付けしている。
信頼性の評価には、Ablations, Stratified 300-snippet human audit, three-seed FinBERT-ModernBERT comparisons, strict 2023-2025 temporal test, probability calibration, electory prediction, and fixed-prompt Generative-model benchmarks が用いられる。
FinBERTは8つのエンコーダタスク分割比較のうち7つの平均F1を持ち、時間F1は0.702から0.872の範囲である。
20%の信頼性の低い時間観測では、残留サンプルF1が0.050-0.077に上昇する。
決定論的 Qwen3-8B は、商品や否定の証拠に強く依存するが、外債や会計基準ラベルに乏しく、汎用 LLM が一様にドメイン制約を置き換えないことを示している。
厳密なFXスコアは、リンクベースラインとストレス周期FX露出と負の関連があるが、一般的な広帯域スコアは関連しない。
これらのアソシエーションは、ヘッジの有効性の因果推定ではなく、外部構造検証を提供する。
AWARE-FXは、検索、ステータスロジック、分類、不確実性処理、アグリゲーション、外部検証を別途監査可能な、テスト済みの意思決定支援アーキテクチャに貢献する。
関連論文リスト
- Diagnosing Fine-Grained Inconsistency Classification in Financial Disclosure Text [3.2712318205295907]
財務情報開示には、数値的なクレーム、時間的ステートメント、エンティティ参照、ポリシーのコミットメント、そして質的に異なる方法で衝突する可能性のあるリスク記述が含まれる。
我々はこの問題をきめ細かい矛盾として研究する。
微調整された300Mエンコーダの精度は61.9%、ロラ適応型Qwen3.5-9Bモデルでは61.5%、GPT適応型生成モデルでは61.3%である。
論文 参考訳（メタデータ） (2026-07-29T01:03:53Z) - Explainable Artificial Intelligence for Anomaly Detection in Banking Transactions: An Internal Audit Perspective [0.0]
本稿では、内部監査におけるトランザクション異常検出のバンキングに適した説明可能な人工知能フレームワークを提案する。
分離フォレスト(iForest)モデルは教師なしの異常スコアを行い、SHAP層は協調ゲーム理論に基づくトランザクションレベルの説明を提供する。
軽量なStreamlitダッシュボードは、これらのアウトプットを、機械学習の専門知識のないプロフェッショナルを監査するための形式でレンダリングする。
論文 参考訳（メタデータ） (2026-07-15T05:58:41Z) - Multi-Agent Framework for Audit Risk Assessment with Explicit Uncertainty and Evidence Conflict Modeling [6.05989830654114]
UMARはMD&Aテキストエージェント、ファイナンシャルレートエージェント、CAMエージェントの3つの特殊エージェントを使用するフレームワークである。
SEC10-Kの提出書類から3200件の年次観測データを用いてUMARを評価する。
論文 参考訳（メタデータ） (2026-06-14T07:06:03Z) - Automated Benchmark Auditing for AI Agents and Large Language Models [46.03841647776303]
Auto Benchmark Audit (ABA)は、個々のベンチマークタスクを体系的に監査するエージェントフレームワークである。
私たちは、9つのドメインで合計168のベンチマークで、Frontier LLMベンチマークと以前のNeurIPSパブリッシュのコレクションでABAを実行しています。
ABAは、不明瞭なタスク設計、実行環境の矛盾、そして、評価されたタスクの25.7%以上において、誤った根拠の真実を含む重要な問題を特定する。
論文 参考訳（メタデータ） (2026-05-25T17:44:21Z) - TRUST: A Framework for Decentralized AI Service v.0.1 [47.384270414446604]
大規模推論モデル (LRM) とマルチエージェントシステム (MAS) は, 信頼性の高い検証を必要とする。
TRUST(Transparent, Robust, and Unified Services for Trustworthy AI)は,3つのイノベーションを備えた分散フレームワークである。
我々は、悪質な俳優が損失を被っている間、正直な監査人の利益を確実に確保する安全利益理論を証明する。
論文 参考訳（メタデータ） (2026-04-29T19:32:58Z) - DeepFact: Co-Evolving Benchmarks and Agents for Deep Research Factuality [49.62610727661819]
既存のファクトチェッカーは主に汎用ドメイン、ファクトイドスタイルの原子クレーム用に設計されている。
本稿では,ベンチマークラベルと有理値が明示的に変更可能なAudit-then-Score (AtS)を提案する。
我々は、AtSを、監査可能な有理量を持つDRR事実性ベンチマークであるDeepFact-Benchとしてインスタンス化する。
論文 参考訳（メタデータ） (2026-03-06T05:05:57Z) - SSR: Safeguarding Staking Rewards by Defining and Detecting Logical Defects in DeFi Staking [55.62033436283969]
DeFi(Decentralized Finance)の買収は、DeFiエコシステムにおける最も顕著なアプリケーションの1つだ。
DeFiの盗難の論理的欠陥により、攻撃者は不当な報酬を請求できる。
我々は,DeFi取引契約における論理的欠陥を検出するための静的解析ツールであるSSR(Safeguarding Stake Reward)を開発した。
論文 参考訳（メタデータ） (2026-01-09T15:01:41Z) - All That Glisters Is Not Gold: A Benchmark for Reference-Free Counterfactual Financial Misinformation Detection [67.89888669159899]
RFC Benchは、現実的なニュースの下で財務的な誤情報に関する大規模な言語モデルを評価するためのベンチマークである。
このベンチマークでは、2つの補完的なタスクが定義されている。
論文 参考訳（メタデータ） (2026-01-07T18:18:28Z) - Inferring Latent Market Forces: Evaluating LLM Detection of Gamma Exposure Patterns via Obfuscation Testing [0.0937899315060426]
S&P500のオプションデータのうち、242日間(95.6%)で3つのディーラーが制約パターンをテストしている。
LLMは、生のガンマ露光値のみを提供するアンバイアスドプロンプトを用いて、71.5%の検知率を達成する。
論文 参考訳（メタデータ） (2025-12-08T15:48:57Z) - TrustJudge: Inconsistencies of LLM-as-a-Judge and How to Alleviate Them [58.04324690859212]
自動評価器(LLM-as-a-judge)としての大規模言語モデル(LLM)は、現在の評価フレームワークにおいて重大な矛盾を明らかにしている。
スコア比較不整合とペアワイズ・トランジティビティ不整合という2つの基本的不整合を同定する。
我々は2つの重要なイノベーションを通じてこれらの制限に対処する確率的フレームワークであるTrustJudgeを提案する。
論文 参考訳（メタデータ） (2025-09-25T13:04:29Z) - FinAI-BERT: A Transformer-Based Model for Sentence-Level Detection of AI Disclosures in Financial Reports [6.324803752309524]
本研究では,FinAI-BERTについて紹介する。FinAI-BERTはドメイン適応トランスフォーマーに基づく言語モデルで,文レベルでのAI関連コンテンツを財務テキストに分類する。
このモデルは、米国の銀行の年間報告669件から抽出された1,586文の、手動でキュレートされバランスの取れたデータセットに基づいて微調整された。
論文 参考訳（メタデータ） (2025-06-29T09:33:29Z) - 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)
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。