論文の概要: Long-Horizon Forecasting of Complete Financial Statements with Forma
- arxiv url: http://arxiv.org/abs/2608.11327v1
- Date: Tue, 11 Aug 2026 18:21:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-13 19:07:54.332825
- Title: Long-Horizon Forecasting of Complete Financial Statements with Forma
- Title（参考訳）: フォーマによる完全財務諸表の長期予測
- Abstract要約: ProForma-20Qは、78のステートメントラインアイテムを1～20四半期前に予測するベンチマークです。
Formaは、ステートメントを匿名化された(アカウント、クォーター、値)集合として読むトランスフォーマーである。
フォーマの予測は会計のアイデンティティをほぼ満たしており、正確なコヒーレンスを統計的に有意な精度で回収することができる。
- 参考スコア（独自算出の注目度）: 4.96723753794697
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Specialist training beats generalist scale when forecasting financial statements. To our knowledge, no prior work jointly forecasts complete financial statements beyond one year, yet in a discounted-cash-flow valuation most firm value sits past that window. We release ProForma-20Q, a reproducible benchmark for forecasting 78 statement line items 1-20 quarters ahead, for anonymized firms, from past statements and an industry code, scored by change-space $R^2$. On it, Forma, a transformer that reads statements as sets of (account, quarter, value) tuples and maximizes a masked-tuple Gaussian likelihood, beats every competitor we field: classical machine learning, chained gradient boosting, a zero-shot time-series foundation model, and frontier large language models. Its lead widens with horizon, where valuation needs accuracy most, and its Gaussian predictive intervals never under-cover. Forma's forecasts nearly satisfy accounting identities; exact coherence is recoverable at no statistically significant accuracy cost. Its tuple interface supports scenario analysis without retraining, and we show that pinning future revenue paths sharpens the rest of the statement.
- Abstract（参考訳）: スペシャリストのトレーニングは、財務状況を予測する際にジェネリストの規模を上回ります。
われわれの知る限りでは、前回の作業では1年以上の財務諸表を共同で予測することはなかったが、割引キャッシュフローのバリュエーションでは、ほとんどの堅実な価値はその窓の向こう側に置かれている。
ProForma-20Qは、過去のステートメントと業界コードから、78のステートメントラインアイテムを1〜20四半期前に予測するための再現可能なベンチマークで、変更スペース$R^2$で評価されている。
その上で、Formaはステートメントをタプルの集合として読み込み、マスク付きタプルのガウシアン確率を最大化するトランスフォーマーで、古典的な機械学習、連鎖した勾配強化、ゼロショットの時系列基盤モデル、フロンティアの大規模言語モデルなど、私たちが対象とするすべての競合を打ち負かす。
その鉛は水平線で広がり、バリュエーションは最も正確さを必要とし、ガウスの予測間隔は過小評価されない。
フォーマの予測は会計のアイデンティティをほぼ満たしており、正確なコヒーレンスを統計的に有意な精度で回収することができる。
そのタプルインターフェースは、再トレーニングせずにシナリオ分析をサポートします。
関連論文リスト
- Repurposing Deep Limit Order Book Forecasting for Scenario-Conditioned Market Impact Modeling [49.590388401787834]
本稿では,機械的に有効な反事実メッセージの注入前後の予測者の予測分布を比較するモデルに依存しないフレームワークを提案する。
トランスフォーマーをベースとした予測器は、スピアマンの相関関係を0.99と97.2%と、実現した歴史的成果との方向性の一致で、シナリオランキングを回復した。
論文 参考訳（メタデータ） (2026-09-15T10:06:03Z) - A Human-in-the-Loop Autonomous Agent for Industry Time Series Forecasting [48.586399370741965]
本稿では,予測指向ハーネス工学によって構築された予測システムであるCastClawを紹介する。
CastClawはデータ、特殊なモデル、分析ツール、ユーザ入力、バージョン管理された実行レコードを1つのランタイムで接続する。
CastClawは、2026年1月から6月にかけて、北朝鮮の地方電力負荷データでオフラインで検証された。
論文 参考訳（メタデータ） (2026-08-31T15:36:41Z) - Auditing and Fixing Economic Validity in Tabular Foundation Models for Discrete Choice [12.709654635425442]
タブラル基礎モデルは選択予測タスクにおいて高い精度を達成する。
しかし、彼らの予測は、それらのタスクが必要とする経済論理に反することが多い。
実用最大化フレームワークに基礎モデル予測を組み込む2段階のアダプタを提案する。
論文 参考訳（メタデータ） (2026-05-26T05:13:20Z) - DatedGPT: Preventing Lookahead Bias in Large Language Models with Time-Aware Pretraining [11.689889880795514]
我々は12の言語モデルのファミリーであるDatedGPTを紹介し、それぞれが約1000億の時間分割データに対してゼロからトレーニングを行った。
複雑度に基づく探索は、各モデルの知識がデータ遮断年によって効果的に束縛されていることを確認します。
私たちはインタラクティブなWebデモを提供しており、ユーザーはさまざまなカットオフ期間のモデルからの応答をクエリして比較することができます。
論文 参考訳（メタデータ） (2026-03-12T12:04:43Z) - Prescriptive Scaling Reveals the Evolution of Language Model Capabilities [22.14002750185524]
我々は、ログ事前学習FLOPの関数として、機能境界、ベンチマークスコアの高条件量子化を推定する。
我々は、初期のモデル世代に適合し、後のリリースを評価することで、時間的信頼性を検証する。
本稿では,評価予算の約20%を用いて,全データフロンティア付近を復元する効率的なアルゴリズムを提案する。
論文 参考訳（メタデータ） (2026-02-17T03:13:51Z) - Scaling Open-Ended Reasoning to Predict the Future [56.672065928345525]
我々は、オープンエンドの予測質問の予測を行うために言語モデルを訓練する。
トレーニングデータをスケールアップするために、毎日のニュースで報告されるグローバルイベントから新しい予測質問を合成する。
トレーニングの予測によるキャリブレーションの改善は、一般的なベンチマークで一般化されている。
論文 参考訳（メタデータ） (2025-12-31T18:59:51Z) - 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) - Enhancing Mean-Reverting Time Series Prediction with Gaussian Processes:
Functional and Augmented Data Structures in Financial Forecasting [0.0]
本稿では,ガウス過程(GP)を基礎構造を持つ平均回帰時系列の予測に適用する。
GPは、平均予測だけでなく、将来の軌道上の確率分布全体を予測する可能性を提供する。
これは、不正なボラティリティ評価が資本損失につながる場合、正確な予測だけでは十分でない金融状況において特に有益である。
論文 参考訳（メタデータ） (2024-02-23T06:09:45Z) - 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) - Forecasting Future World Events with Neural Networks [68.43460909545063]
Autocastは数千の予測質問と付随するニュースコーパスを含むデータセットである。
ニュースコーパスは日付によって整理され、人間が過去の予測を行った条件を正確にシミュレートすることができる。
予測タスクで言語モデルをテストし、パフォーマンスが人間専門家のベースラインよりはるかに低いことを確認します。
論文 参考訳（メタデータ） (2022-06-30T17:59:14Z) - Learning to Predict Trustworthiness with Steep Slope Loss [69.40817968905495]
本研究では,現実の大規模データセットにおける信頼性の予測問題について検討する。
我々は、先行技術損失関数で訓練された信頼性予測器が、正しい予測と誤った予測の両方を信頼に値するものとみなす傾向があることを観察する。
そこで我々は,2つのスライド状の曲線による不正確な予測から,特徴w.r.t.正しい予測を分離する,新たな急勾配損失を提案する。
論文 参考訳（メタデータ） (2021-09-30T19:19:09Z)
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。