論文の概要: Beyond Sentiment: Structured Information Extraction from Financial News

• arxiv url: http://arxiv.org/abs/2607.28496v1
• Date: Thu, 30 Jul 2026 16:41:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.667414
• Title: Beyond Sentiment: Structured Information Extraction from Financial News
• Title（参考訳）: Beyond Sentiment: 金融ニュースからの構造化情報抽出
• Abstract要約: FinBERTの感情特性は非線形モデルの下で強い予測力を示す。 ニュースを1つの感情スコアに圧縮すると、かなりの情報を失うことがわかりました。
• 参考スコア（独自算出の注目度）: 5.502693922654938
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Financial sentiment analysis has become a standard component in news-driven stock prediction, yet it reduces rich, multi-dimensional news articles to a single polarity score. We hypothesize that financial news encodes multiple orthogonal information dimensions---event type, impact scope, temporal horizon, and semantic confidence---that sentiment alone cannot capture, and that these dimensions carry independent predictive value. To test this hypothesis, we propose a structured information extraction framework that leverages LLaMA-3.1-70B to extract six semantic dimensions from financial news. Through large-scale experiments on 41,618 news--stock pairs from the FNSPID dataset, we find that (i) FinBERT sentiment features exhibit strong predictive power under nonlinear models (F1=0.576) but substantially weaker performance under linear models (F1=0.230), revealing a highly nonlinear sentiment--return relationship; (ii) LLM-extracted structured features, while individually weaker, capture information orthogonal to sentiment, as evidenced by a 53.5% systematic disagreement rate between the two approaches; and (iii) combining both signal sources yields F1=0.600, significantly outperforming either alone ($p < 0.0001$), with consistent improvements across all seven event types. Ablation experiments confirm that non-sentiment structural dimensions (event type, impact subject, time horizon, confidence) independently contribute $Δ\text{F1} = +0.019$ beyond FinBERT alone. Feature importance analysis reveals balanced contributions from all six extracted dimensions (14--21%), demonstrating that compressing news into a single sentiment score incurs substantial information loss. Our results suggest that the sentiment--semantics decoupling in financial text is systematic and exploitable, opening a new direction for multi-dimensional financial NLP.
• Abstract（参考訳）: 金融感情分析は、ニュース駆動の株価予測において標準的要素となっているが、リッチで多次元のニュース記事を単一極性スコアに還元する。 我々は、金融ニュースが複数の直交情報次元を符号化する仮説を立てる。-イベントタイプ、インパクトスコープ、時間的地平線、セマンティックな信頼--その感情だけでは捉えられず、これらの次元は独立した予測値を持っている。 この仮説を検証するために,LLaMA-3.1-70Bを利用した構造化情報抽出フレームワークを提案し,財務情報から6つの意味的次元を抽出する。 FNSPIDデータセットから41,618のニュースストックペアの大規模な実験を通じて、我々はその事実を発見した。 (i)FinBERTの感情特性は非線形モデルでは強い予測力(F1=0.576)を示すが、線形モデルではかなり弱い(F1=0.230)ため、非常に非線形な感情-回帰関係を示す。 (ii)LLM抽出された構造的特徴は、個人的に弱いが、2つのアプローチ間の系統的不一致率53.5%で証明されているように、感情に直交する情報を捕捉する。 (iii)両信号源の組み合わせはF1=0.600となり、単独で(p < 0.0001$)、そして7つのイベントタイプで一貫した改善がなされた。 アブレーション実験は、非感覚的構造次元(イベントタイプ、衝撃対象、時間水平線、信頼)が、FinBERT 以外にも$Δ\text{F1} = +0.019$ を独立に寄与することを確認する。 特徴重要度分析は, 抽出した6次元(14～21%)のコントリビューションのバランスをとっており, 一つの感情スコアにニュースを圧縮すると, 実質的な情報損失が生じることを示唆している。

関連論文リスト

• Temporal Leakage in Financial News NLP: A Multi-Architecture Audit with a Regime-Specific M&A Signal [13.5023809267948]
  TF-IDF, MiniLM, FinBERT, fine-tuned RoBERTa-large / DeBERTa-v3-large にまたがる16種類の特徴モデルの組み合わせに対して49,799個のアーティクルコーパスを監査した。 RandomはMCCを$1.1times$から$6.5times$に分割し、モデル容量と機能豊かさを追跡し、エンドツーエンドのFinBERTの微調整はギャップを埋めるのではなく再増幅する。
  論文  参考訳（メタデータ） (2026-08-18T00:23:25Z)
• RA-FinBERT: Rule-aware LoRA adaptation for low-resource financial sentiment classification [8.831449509561043]
  Rule-Aware FinBERT (RA-FinBERT) は、ローランク適応(LoRA)と3つの連続VADER由来の感情比率を統合するフレームワークである。 RA-FinBERTの精度は69.89%、マクロF1スコアは0.634であり、テキストのみのFinBERTは63.44%、0.526であった。
  論文  参考訳（メタデータ） (2026-08-10T16:52:19Z)
• 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)
• Multi-Modal Opinion Integration for Financial Sentiment Analysis using Cross-Modal Attention [6.350360575808128]
  本稿では,2つの財務的意見の相違を統合したエンドツーエンドのディープラーニングフレームワークを提案する。 提案手法の精度は83.5%で,BERT+Transformerを含むベースラインを21%上回っている。
  論文  参考訳（メタデータ） (2025-12-03T05:38:11Z)
• The Sound of Risk: A Multimodal Physics-Informed Acoustic Model for Forecasting Market Volatility and Enhancing Market Interpretability [45.501025964025075]
  本稿では,財務リスク評価のための新たな枠組みを提案する。 我々は1,795件の収支コールのデータセットを用いて、スクリプトによるプレゼンテーションと自発的なQ&A交換の動的変化をキャプチャする機能を構築した。 我々の重要な発見は、予測能力の顕著なばらつきを明らかにしている: マルチモーダルな特徴は、方向性の株価リターンを予測しないが、30日間に実現されたボラティリティにおけるサンプル外変動の最大43.8%を説明できる。
  論文  参考訳（メタデータ） (2025-08-26T03:51:03Z)
• NewsNet-SDF: Stochastic Discount Factor Estimation with Pretrained Language Model News Embeddings via Adversarial Networks [7.014136939144529]
  NewsNet-SDFは、事前訓練された言語モデルの埋め込みと財務時系列をシームレスに統合する新しいディープラーニングフレームワークである。 私たちのデータセットには、約250万のニュース記事と1万のユニークな証券が含まれています。
  論文  参考訳（メタデータ） (2025-05-11T06:18:58Z)
• 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)
• Financial Sentiment Analysis: Leveraging Actual and Synthetic Data for Supervised Fine-tuning [0.0]
  汎用言語モデルは、金融における感情分析には一般的すぎる。 我々は、短い財務文を長い財務文に導入し、フィンベルト-lcはデジタルテキストから感情を決定する。 その結果,ファイナンシャル・フレーズバンクのデータに対するf1スコアが50%,合意レベルが100%であった。
  論文  参考訳（メタデータ） (2024-12-13T04:59:50Z)
• 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)
• Explicit Tradeoffs between Adversarial and Natural Distributional Robustness [48.44639585732391]
  実際、モデルは信頼性を確保するために両方のタイプの堅牢さを享受する必要があります。 本研究では, 対角線と自然分布の強靭性の間には, 明らかなトレードオフが存在することを示す。
  論文  参考訳（メタデータ） (2022-09-15T19:58:01Z)
• DeepTrust: A Reliable Financial Knowledge Retrieval Framework For Explaining Extreme Pricing Anomalies [0.0]
  DeepTrustは、Twitter上の信頼できる金融知識検索フレームワークで、極端な価格変動を高速で説明する。 提案するフレームワークは,異常検出,情報検索,信頼性評価のための3つのモジュールから構成される。 このフレームワークは2021年4月29日と30日の2つの自己注釈付き金融異常、すなわちTwitterとFacebookの株価で評価されている。
  論文  参考訳（メタデータ） (2022-03-11T06:29:22Z)
• Tracking Turbulence Through Financial News During COVID-19 [12.031113181911627]
  我々は、2020年のパンデミックの米国金融崩壊における金融出版物の感情に関する関係を明らかにし、議論する。 まず、アメリカの大手金融ニュース出版社の記事に対して、金融感情に関する専門的な注釈をいくつか紹介する。 探索的なデータ分析の後、金融感情を予測するタスクに対処するCNNベースのアーキテクチャについて述べる。
  論文  参考訳（メタデータ） (2021-09-09T15:55:32Z)
• 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。