論文の概要: FinanceHarness: Autonomous Financial Deep Research Framework

• arxiv url: http://arxiv.org/abs/2607.27853v1
• Date: Thu, 30 Jul 2026 08:32:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.462362
• Title: FinanceHarness: Autonomous Financial Deep Research Framework
• Title（参考訳）: FinanceHarness: 自律的なファイナンシャルディープリサーチフレームワーク
• Abstract要約: FinanceHarnessは金融指向のツールと、実践者向けで自動化された金融深層調査をエンドツーエンドで実行している。 FinanceGymは、論文駆動の研究質問と、プレカットとポストカットの基準を組み合わせたルーリックで構成されている。
• 参考スコア（独自算出の注目度）: 41.02718376252945
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Powered by advances in LLMs and autonomous agents, deep research has become one of the most widely adopted agentic products. However, most deep research systems write general-purpose reports, which are inadequate for financial deep research. Financial research demands specialized knowledge to analyze historical patterns and forecast upcoming events. Automating financial deep research therefore requires both a layered harness to drive the research agent and a verifiable, point-in-time benchmark that prevents leakage of future information. We present FinanceHarness, a harness that runs finance-oriented tools and practitioner-guided workflows, automating financial deep research end to end: environment and data construction, the agent execution loop, and reward modeling. We further propose FinanceGym, comprising thesis-driven research questions and rubrics that combine pre-cutoff and post-cutoff criteria. Professional expert validation yields an 82% pass rate. Even leading LLMs and agents score below 40% on the rubrics, showing that FinanceGym is challenging and leaves substantial headroom. With the same open-weight backbone, FinanceHarness improves the overall rubric score from 25.3% to 32.4%. FinanceHarness is available at https://github.com/Yijia-Xiao/FinanceHarness.
• Abstract（参考訳）: LLMと自律エージェントの進歩によって、ディープリサーチは最も広く採用されているエージェント製品の一つとなっている。 しかし、ほとんどのディープリサーチシステムは、金融ディープリサーチには不十分な汎用レポートを書いている。 金融研究は、歴史的パターンを分析し、今後の出来事を予測するための専門知識を要求する。 したがって、金融深層研究の自動化には、研究エージェントを駆動するための階層化されたハーネスと、将来の情報の漏洩を防止するための検証可能なポイントインタイムベンチマークの両方が必要である。 FinanceHarnessは金融指向のツールと実践者が指導するワークフローを実行するハーネスで、環境とデータ構築、エージェントの実行ループ、報酬モデリングといったファイナンシャルディープリサーチをエンドツーエンドに自動化します。 さらに,論文駆動型研究質問とプレカットとポストカットの基準を組み合わせたルーリックを含むファイナンスガイムを提案する。 専門家による検証では、合格率は82%である。 LLMやエージェントのリードさえも、ルーブリックの40%以下であり、FundryGymは挑戦的であり、実質的なヘッドルームを残していることを示している。 同じオープンウェイトバックボーンで、ファイナンスハーネスは全体のルーリックスコアを25.3%から32.4%に改善した。 FinanceHarnessはhttps://github.com/Yijia-Xiao/FinanceHarness.comで入手できる。

関連論文リスト

• FinDeepIndicator: Benchmarking Deep Research Agents in End-to-End Financial Indicator Construction [57.909515451254855]
  FinDeepIndicatorは、エンドツーエンドの金融指標構築においてDeep Research(DR)エージェントを評価するための最初のベンチマークである。 DRエージェントを、公式仕様、データ収集、インジケータ計算、回答生成の4段階にわたって評価する。 米国と中国の両方の市場から抽出された3350のキュレートされた質問応答ペア、10年間の歴史的財務データ、800の上場企業が含まれている。
  論文  参考訳（メタデータ） (2026-08-01T16:54:41Z)
• FinSight: Towards Real-World Financial Deep Research [68.31086471310773]
  FinSightは、高品質でマルチモーダルな財務報告を作成するための新しいフレームワークである。 プロフェッショナルグレードの可視化を確保するため,反復視覚強調機構を提案する。 2段階のBinging Frameworkは、簡潔な分析セグメントをコヒーレント、引用認識、マルチモーダルレポートに拡張する。
  論文  参考訳（メタデータ） (2025-10-19T14:05:35Z)
• FinSearchComp: Towards a Realistic, Expert-Level Evaluation of Financial Search and Reasoning [30.252244345152956]
  FinSearchCompは、現実的でオープンドメインの財務検索と推論のための、初めての完全なオープンソースベンチマークである。 このベンチマークには、世界および大中国市場にわたる635の質問が含まれている。 Grok 4(Web)は、専門家レベルの精度に近づき、グローバルサブセットのトップである。
  論文  参考訳（メタデータ） (2025-09-16T15:13:13Z)
• FinResearchBench: A Logic Tree based Agent-as-a-Judge Evaluation Framework for Financial Research Agents [15.905856417551737]
  FinResearchBenchは論理木ベースのAgent-as-a-Judgeで、特に金融調査エージェントをターゲットにしている。 ファイナンシャル・リサーチ・ドメインにおける7つの重要なタスクの総合的かつ自動評価を提供する。
  論文  参考訳（メタデータ） (2025-07-22T05:40:25Z)
• FinTeam: A Multi-Agent Collaborative Intelligence System for Comprehensive Financial Scenarios [31.464961691866854]
  FinTeamは金融マルチエージェントコラボレーションシステムである。 構築されたデータセットを使用して、これらのエージェントを特定の財務的な専門知識で訓練する。 我々はFinTeamを実際のオンライン投資フォーラムから構築した包括的財務タスクで評価する。
  論文  参考訳（メタデータ） (2025-07-05T10:12:25Z)
• FinDER: Financial Dataset for Question Answering and Evaluating Retrieval-Augmented Generation [65.04104723843264]
  ファイナンスにおけるRetrieval-Augmented Generation(RAG)に適したエキスパート生成データセットであるFinDERを提案する。 FinDERは、ドメインの専門家による検索関連証拠の注釈付けに重点を置いており、5,703のクエリ・エビデンス・アンサー・トリプルを提供している。 大きなコーパスから関連する情報を取得するためにモデルに挑戦することで、FinDERはRAGシステムを評価するためのより現実的なベンチマークを提供する。
  論文  参考訳（メタデータ） (2025-04-22T11:30:13Z)
• FinBen: A Holistic Financial Benchmark for Large Language Models [75.09474986283394]
  FinBenは、24の財務タスクにまたがる36のデータセットを含む、最初の大規模なオープンソース評価ベンチマークである。 FinBenは、幅広いタスクとデータセット、ストックトレーディングの最初の評価、新しいエージェントと検索可能な生成(RAG)の評価、およびテキスト要約、質問応答、株式トレーディングのための3つの新しいオープンソース評価データセットを提供する。
  論文  参考訳（メタデータ） (2024-02-20T02:16:16Z)
• FinPT: Financial Risk Prediction with Profile Tuning on Pretrained Foundation Models [32.7825479037623]
  FinPTは、金融リスク予測のための新しいアプローチであり、大規模な事前訓練された基礎モデルに基づいてプロファイルチューニングを行う。 FinBenchは、デフォルト、詐欺、チャーンといった金融リスクに関する高品質なデータセットのセットである。
  論文  参考訳（メタデータ） (2023-07-22T09:27:05Z)
• FinQA: A Dataset of Numerical Reasoning over Financial Data [52.7249610894623]
  我々は、大量の財務文書の分析を自動化することを目的として、財務データに関する深い質問に答えることに重点を置いている。 我々は,金融専門家が作成した財務報告に対して質問回答のペアを用いた,新たな大規模データセットFinQAを提案する。 その結果、人気があり、大規模で、事前訓練されたモデルは、金融知識を得るための専門的な人間には程遠いことが示される。
  論文  参考訳（メタデータ） (2021-09-01T00:08:14Z)

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。