論文の概要: FinSMART: Financial Sentiment Analysis for Algorithmic Trading through Market-Aligned Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2607.28127v1
• Date: Thu, 30 Jul 2026 12:36:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.564271
• Title: FinSMART: Financial Sentiment Analysis for Algorithmic Trading through Market-Aligned Reinforcement Learning
• Title（参考訳）: FinSMART:市場対応強化学習によるアルゴリズム取引の財務感性分析
• Abstract要約: Finは、金融感情分析のための最初の市場対応強化学習フレームワークである。 Finは、収益性、リスク調整性能、感情信号品質において、既存の最先端手法を著しく上回ることを示す。
• 参考スコア（独自算出の注目度）: 1.7207696101096064
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in Generative AI have substantially improved financial sentiment analysis through post-trained financial large language models (LLMs). However, existing approaches remain confined to a market-agnostic, supervised learning paradigm that relies on limited, static and human-annotated datasets, and thus are incapable of adapting to evolving market conditions. To address this limitation, we introduce FinSMART, the first market-aligned reinforcement learning framework for financial sentiment analysis, which directly optimizes sentiment signals using realized market outcomes. To deal with the noisy, non-stationary, and multifactorial nature of financial markets, FinSMART incorporates a signal extraction pipeline that combines market-aware data filtering with a discrete asymmetric trading reward, enabling stable reinforcement learning from economically meaningful market feedback. Experimental results demonstrate that FinSMART significantly outperforms existing state-of-the-art methods in profitability, risk-adjusted performance, and sentiment signal quality, improving cumulative trading returns by 220% over the strongest baseline. Uniquely, the FinSMART framework naturally supports market-aware retraining, at any point in time, by replacing costly manual annotation with newly observed financial articles and their realized market outcomes. Such a retraining strategy enables the model to continuously adapt to changing market dynamics, resulting in consistent performance gains over its static counterpart. These findings demonstrate the practical applicability of market-aligned reinforcement learning and highlight its potential as a next-generation paradigm for developing adaptive financial LLMs.
• Abstract（参考訳）: ジェネレーティブAIの最近の進歩は、訓練後の金融大言語モデル(LLM)を通じて、財務的感情分析を大幅に改善した。 しかし、既存のアプローチは、制限された静的かつ人間による注釈付きデータセットに依存する、市場に依存しない教師付き学習パラダイムに限られており、市場の状況に適応することができない。 この制限に対処するため、金融感情分析のための最初の市場対応強化学習フレームワークであるFinSMARTを導入し、実際の市場成果を用いて感情信号を直接最適化する。 金融市場のノイズ、非定常、多要素的な性質に対処するため、FinSMARTは、市場対応データフィルタリングと離散非対称なトレーディング報酬を組み合わせた信号抽出パイプラインを導入し、経済的に意味のある市場フィードバックから安定した強化学習を可能にする。 実験結果から、FinSMARTは収益性、リスク調整性能、感情信号品質において既存の最先端手法を著しく上回り、最強ベースラインよりも累積トレーディングリターンを220%向上させることが示された。 FinSMARTフレームワークは、コストのかかる手作業による注釈を新しく観察された財務項目に置き換え、市場が実現した結果に置き換えることで、任意の時点において、市場対応の再トレーニングを自然にサポートする。 このようなリトレーニング戦略により、モデルが市場のダイナミクスの変化に継続的に適応し、静的なモデルよりも一貫してパフォーマンスが向上する。 これらの結果は,市場対応強化学習の実践的適用性を示し,適応型金融LLMの次世代パラダイムとしての可能性を強調した。

関連論文リスト

• MEME: Modeling the Evolutionary Modes of Financial Markets [11.120179118542518]
  本稿では,進化する論理のレンズを通して市場ダイナミクスを再構築するMEMEを紹介する。 MEMEは、ノイズの多いデータを高忠実な投資条件に変換するためにマルチエージェント抽出モジュールを使用している。 2023年から2025年までの3つの異質な中国のストックプールの実験では、MEMEが7つのSOTAベースラインを一貫して上回っていることが示されている。
  論文  参考訳（メタデータ） (2026-02-12T13:16:05Z)
• Adaptive Financial Sentiment Analysis for NIFTY 50 via Instruction-Tuned LLMs , RAG and Reinforcement Learning Approaches [1.9116784879310027]
  金融感情分析における既存の研究は、株価や市場のフィードバックが感情分析に与える影響を考慮していない。 本研究では,大規模言語モデル(LLM)と現実世界の市場フィードバックを統合し,感情分類を改善する適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-23T06:27:12Z)
• Robust Reinforcement Learning in Finance: Modeling Market Impact with Elliptic Uncertainty Sets [57.179679246370114]
  金融分野では、強化学習(RL)エージェントは、価格に影響を与えない歴史的データに基づいて訓練されることが多い。 展開中、これらのエージェントは、自身の取引が資産価格を変えることができるライブマーケットで取引する。 従来のロバストなRLアプローチは、不確実性の集合に対して最悪のパフォーマンスを最適化することで、このモデルの誤特定に対処する。 楕円型不確実性集合の新たなクラスを開発し,効率的かつ堅牢な政策評価を可能にする。
  論文  参考訳（メタデータ） (2025-10-22T18:22:25Z)
• Trade in Minutes! Rationality-Driven Agentic System for Quantitative Financial Trading [57.28635022507172]
  TiMiは、アーキテクチャ上、戦略開発を分単位のデプロイメントから切り離す合理性駆動型マルチエージェントシステムである。 本稿では,マクロパターンからマイクロカスタマイズ,トレーディングボット実装のための階層型プログラミング設計,数学的リフレクションによって駆動されるクローズドループ最適化までの2層解析パラダイムを提案する。
  論文  参考訳（メタデータ） (2025-10-06T13:08:55Z)
• StockBench: Can LLM Agents Trade Stocks Profitably In Real-world Markets? [44.10622904101254]
  大規模言語モデル(LLM)は、最近、自律エージェントとして強力な能力を示した。 実時間複数ヶ月の株式トレーディング環境でLLMエージェントを評価するためのベンチマークであるStockBenchを紹介する。 我々の評価では、ほとんどのLLMエージェントは、単純な買い買い得ベースラインよりも優れているが、いくつかのモデルでは、より高いリターンをもたらし、より効果的にリスクを管理する可能性を実証している。
  論文  参考訳（メタデータ） (2025-10-02T16:54:57Z)
• FinDPO: Financial Sentiment Analysis for Algorithmic Trading through Preference Optimization of LLMs [2.06242362470764]
  そこで,FinDPOについて紹介する。FinDPOは,トレーニング後の人間の嗜好のアライメントに基づく,ファイナンス固有の感情分析フレームワークである。 提案したFinDPOは、標準的な感情分類ベンチマークで最先端のパフォーマンスを達成する。 FinDPOは、毎年67%の実質的なポジティブリターンを維持し、高いリスク調整性能を維持するための、最初の感情ベースのアプローチである。
  論文  参考訳（メタデータ） (2025-07-24T13:57:05Z)
• Deriving Strategic Market Insights with Large Language Models: A Benchmark for Forward Counterfactual Generation [55.2788567621326]
  本稿では,FIN-FORCE-FINancial Forward Counterfactual Evaluationを提案する。 FIN-FORCEは金融ニュースの見出しをまとめることで、LLMベースの対実生成を支援する。 これにより、将来の市場展開を探索し、予測するためのスケーラブルで自動化されたソリューションの道を開くことができる。
  論文  参考訳（メタデータ） (2025-05-26T02:41:50Z)
• Cross-Asset Risk Management: Integrating LLMs for Real-Time Monitoring of Equity, Fixed Income, and Currency Markets [30.815524322885754]
  大規模言語モデル(LLM)は金融分野において強力なツールとして登場した。 LLMを利用したクロス・アセット・リスク・マネジメント・フレームワークを導入し、株式・固定所得・通貨市場のリアルタイムモニタリングを容易にする。
  論文  参考訳（メタデータ） (2025-04-05T22:28:35Z)
• AlphaFin: Benchmarking Financial Analysis with Retrieval-Augmented Stock-Chain Framework [48.3060010653088]
  我々はAlphaFinデータセットをリリースし、従来の研究データセット、リアルタイム財務データ、手書きのチェーン・オブ・プリート(CoT)データを組み合わせています。 次に、AlphaFinデータセットを使用して、金融分析タスクを効果的に処理するために、Stock-Chainと呼ばれる最先端の手法をベンチマークします。
  論文  参考訳（メタデータ） (2024-03-19T09:45:33Z)
• 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)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)
• FinEAS: Financial Embedding Analysis of Sentiment [0.0]
  FinEAS(Financial Embedding Analysis of Sentiment)と呼ばれる新しい言語表現モデルを導入する。 本研究では,標準的なBERTモデルからの教師付き微調整文の埋め込みに基づく財務感情分析の新しいモデルを提案する。
  論文  参考訳（メタデータ） (2021-10-31T15:41:56Z)

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。