論文の概要: Financial Numerical Prediction and Allocation as Token Generation
- arxiv url: http://arxiv.org/abs/2608.09880v1
- Date: Mon, 10 Aug 2026 17:33:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.398964
- Title: Financial Numerical Prediction and Allocation as Token Generation
- Title（参考訳）: トークン生成としての財務数値予測と配置
- Abstract要約: FinATOMは3段階のストックリターン予測と動的5-ETFアロケーションのための統合されたヘッドフリーインターフェースを導入している。
2023-2025年のETF試験では、プールされた粗利シャープを1.428から1.529へ、ネットシャープを1.394から1.494までの5-bpの取引コストモデルで改善した。
FinTexTSでは、SFTと政策戦略はそれぞれ73.52%/2.68と73.72%/2.69の累積リターン/eを達成する。
- 参考スコア（独自算出の注目度）: 30.61787712148154
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Financial prediction typically relies on task-specific regression, ranking, or policy heads, separating the language model from the numerical object ultimately evaluated. We investigate whether a causal language model can instead represent forecasts and decisions directly through constrained token generation. FinATOM introduces a unified, head-free interface for three-step stock-return forecasting and dynamic five-ETF allocation. The forecasting model autoregressively emits volatility-standardized return tokens and is trained with ordinal and ranking supervision followed by a one-epoch token-level policy stage. The allocation model generates normalized long-only weights; supervised fine-tuning imitates a causal mean--variance anchor, and DAPO-augmented GRPO optimizes realized 21-day Sharpe subject to anchor consistency. In 2023--2025 ETF tests, the allocation policy improves pooled gross Sharpe from 1.428 to 1.529 and net Sharpe under a 5-bp transaction-cost model from 1.394 to 1.494. The multimodal allocation input attains the highest three-period mean Sharpe of 1.540, with its clearest advantage in 2025. On FinTexTS, the SFT and policy strategies achieve 73.52\%/2.68 and 73.72\%/2.69 cumulative-return/Sharpe, respectively. These results support the feasibility of direct language-model token generation for financial numerical prediction and decision-making, while motivating broader tests across assets, regimes, and random seeds.
- Abstract（参考訳）: 金融予測は通常、タスク固有の回帰、ランキング、ポリシーヘッドに依存し、言語モデルを最終的に評価された数値オブジェクトから分離する。
本稿では,制約付きトークン生成を通じて,因果的言語モデルが予測や決定を直接表現できるかどうかを検討する。
FinATOMは3段階のストックリターン予測と動的5-ETFアロケーションのための統合されたヘッドフリーインターフェースを導入している。
予測モデルは、ボラティリティ標準化された戻りトークンを自己回帰的に出力し、序列とランク付けの監督により訓練し、その後、1エポックなトークンレベルポリシーステージで訓練する。
調整された微調整は因果平均偏差アンカーを模倣し、DAPO強化GRPOは21日間のシャープのアンカーの整合性を最適化する。
2023-2025年のETF試験では、プールされた粗利シャープを1.428から1.529へ、ネットシャープを1.394から1.494までの5-bpの取引コストモデルで改善した。
マルチモーダル・アロケーション・インプットは、最高3周期平均シャープが1.540に達し、2025年には最も有利である。
FinTexTSでは、SFTと政策戦略はそれぞれ73.52\%/2.68と73.72\%/2.69の累積リターン/シャープを達成する。
これらの結果は、金融数値予測と意思決定のための直接言語モデルトークン生成の実現性を支持し、資産、レジーム、ランダムシードにわたる広範なテストの動機付けを支援する。
関連論文リスト
- Institutional Equity Holdings Prediction Using Node Affinities of Dynamic Graphs [0.0]
我々は、時間グラフ機械学習を用いて、将来のアロケーションを予測するための最初のベンチマークを紹介する。
この研究は、予測とポートフォリオ割り当てを保持するときの時間グラフ機械学習のための再現可能な基盤を提供する。
論文 参考訳（メタデータ） (2026-07-13T18:40:05Z) - Addressing Market Regime Changes and Heavy-Tailed Returns in Portfolio Optimization via Bayesian VAR and Elliptical Black-Litterman [5.64741634621447]
本稿では,高脂肪率リターンを考慮したポートフォリオ最適化のための深層強化学習アルゴリズムを提案する。
このアルゴリズムは最先端の手法よりも優れており、シャープ比が1.72、ソルティーノ比が2.70、トータルリターンが57.26%である。
論文 参考訳（メタデータ） (2026-06-08T06:58:11Z) - FinSTaR: Towards Financial Reasoning with Time Series Reasoning Models [12.754011132549167]
時系列(TSRM)は一般的なドメインで有望な能力を示しているが、金融ドメインでは一貫して失敗している。
本研究では, TSRMの一般的な2x2機能分類法を提案する。1) 単一エンタリティ対マルチエンタリティ分析, 2) 現状の評価と将来の行動予測について。
論文 参考訳（メタデータ） (2026-05-05T07:46:39Z) - FIPO: Eliciting Deep Reasoning with Future-KL Influenced Policy Optimization [84.58281577727566]
本稿では,大規模言語モデルにおける推論ボトルネックを克服する強化学習アルゴリズムであるFuture-KL Influenced Policy Optimization (FIPO)を提案する。
FIPOは、割引先KLの分岐をポリシー更新に組み込むことでこの問題に対処し、その後の軌道行動への影響に基づいてトークンを再重み付けする密集した有利な定式化を作成する。
Qwen2.5-32Bで評価され、FIPOは平均チェーン長を約4,000から10,000以上のトークンに拡張し、AIME 2024 Pass@1の精度を50.0%から58.0%に向上させた。
論文 参考訳（メタデータ） (2026-03-20T10:24:50Z) - $V_{0.5}$: Generalist Value Model as a Prior for Sparse RL Rollouts [81.48669089692189]
一般値モデル(例えば$V_0.5$)は、コンテキスト内のモデル機能を明示的にエンコードすることで、事前訓練された値推定を実現する。
本稿では,このような値モデルにより予測されるベースラインと,スパースロールアウトから導出される経験的平均とを適応的に融合する$V_0.5$を提案する。
V_0.5$はGRPOとDAPOを大きく上回り、より高速な収束と約10%のパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2026-03-11T14:57:41Z) - Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。
We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
論文 参考訳（メタデータ） (2025-11-04T17:22:22Z) - FinZero: Launching Multi-modal Financial Time Series Forecast with Large Reasoning Model [27.20045729222667]
FinZeroは、FVLDBファイナンシャル時系列の推論、予測、分析的理解を行うために、UARPOによって微調整されたマルチモーダル事前訓練モデルである。
UARPOで微調整した後、FinZeroは高信頼グループのGPT-4oよりも予測精度が約13.48%向上した。
論文 参考訳（メタデータ） (2025-09-10T16:32:41Z) - FinDPO: Financial Sentiment Analysis for Algorithmic Trading through Preference Optimization of LLMs [2.06242362470764]
そこで,FinDPOについて紹介する。FinDPOは,トレーニング後の人間の嗜好のアライメントに基づく,ファイナンス固有の感情分析フレームワークである。
提案したFinDPOは、標準的な感情分類ベンチマークで最先端のパフォーマンスを達成する。
FinDPOは、毎年67%の実質的なポジティブリターンを維持し、高いリスク調整性能を維持するための、最初の感情ベースのアプローチである。
論文 参考訳（メタデータ） (2025-07-24T13:57:05Z) - VAPO: Efficient and Reliable Reinforcement Learning for Advanced Reasoning Tasks [49.0793012627959]
本稿では,価値に基づくパラダイム内での推論モデルに適した新しいフレームワークVAPOを提案する。
VAPOは最先端のスコアが$mathbf60.4$に達する。
同じ実験条件下で直接比較すると、VAPOはDeepSeek-R1-Zero-Qwen-32BとDAPOの結果を10点以上上回っている。
論文 参考訳（メタデータ） (2025-04-07T14:21:11Z) - 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) - Diffusion Variational Autoencoder for Tackling Stochasticity in
Multi-Step Regression Stock Price Prediction [54.21695754082441]
長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。
多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。
深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。
本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-08-18T16:21:15Z)
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。