論文の概要: Automated Summarization of Financial News Using Large Language Models and Retrieval-Augmented Generation: An Early Empirical Study (Fall 2023)

• arxiv url: http://arxiv.org/abs/2608.19526v1
• Date: Thu, 20 Aug 2026 00:50:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.422066
• Title: Automated Summarization of Financial News Using Large Language Models and Retrieval-Augmented Generation: An Early Empirical Study (Fall 2023)
• Title（参考訳）: 大規模言語モデルと検索型世代を用いた金融ニュースの自動要約 : 初期実証研究(第2023回)
• Abstract要約: 株式市場のアナリストや投資家は日々の課題に直面している。 このプロジェクトでは、大規模言語モデルがこのプロセスを確実に自動化できるかどうかについて検討する。
• 参考スコア（独自算出の注目度）: 0.9821874476902969
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Stock market analysts and investors face a daily challenge: too much financial news, too little time. Manually reading and synthesizing hundreds of company-specific articles is impractical, yet missing key information can directly affect investment decisions. This project, conducted at George Washington University in Fall 2023, explores whether Large Language Models can automate this process reliably. We built a pipeline that pulls news articles from the News API, company background from Wikipedia, and stock price data from Yahoo Finance for ten major companies (AAPL, MSFT, GOOGL, AMZN, META, TSLA, JPM, NVDA, WMT, DIS). Because LLMs cannot directly process numerical tables, we developed a simple but effective template that converts stock data into natural language narratives. We then tested two summarization approaches (Summarize Chains and Retrieval-Augmented Generation with FAISS) across three open-source models (Falcon-7B-Instruct, DistilBART-CNN-12-6, BART-Large-XSum) for news, and GPT (text-davinci-003) for stock summaries. Falcon-7B with Summarize Chains gave the best results, covering all news events accurately and coherently. RAG, while promising in theory, caused severe repetition in Falcon and hallucinated facts in BART-Large when k was large. Both LLM-based approaches outperformed a simple Lead-3 baseline on ROUGE-1. We also built a Streamlit dashboard for interactive stock visualization. The work was done in Fall 2023, before RAG-based financial tools became widespread, and the failure modes we document, particularly hallucination under RAG in smaller models, remain relevant today.
• Abstract（参考訳）: 株式市場のアナリストや投資家は日々の課題に直面している。 何百もの企業固有の記事を手動で読み、合成することは現実的ではないが、重要な情報が欠けていることは投資決定に直接影響を及ぼす可能性がある。 2023年秋にジョージ・ワシントン大学で実施されたこのプロジェクトは、Large Language Modelsがこのプロセスを確実に自動化できるかどうかを探求している。 私たちはNews APIからニュース記事、ウィキペディアの会社歴、Yahoo Financeからの主要企業10社(AAPL、MSFT、GOOGL、AMZN、META、TSLA、JPM、NVDA、WMT、dis)の株価データを抽出するパイプラインを構築しました。 LLMは数値表を直接処理できないため、ストックデータを自然言語の物語に変換するシンプルなテンプレートを開発した。 次に、ニュースの3つのオープンソースモデル(Falcon-7B-Instruct, DistilBART-CNN-12-6, BART-Large-XSum)とストックサマリーのGPT(text-davinci-003)の2つの要約アプローチ(FAISSによる要約チェインと検索-拡張ジェネレーション)を検証した。 Falcon-7BとSummarize Chainsは、すべてのニュースイベントを正確かつ一貫性を持ってカバーし、最高の結果を得た。 RAGは理論上は有望であったが、Kが大きければファルコンで激しい繰り返し、BARTラージュで幻覚的な事実を引き起こした。 LLMベースのアプローチは、ROUGE-1での単純なPed-3ベースラインよりも優れていた。 また、インタラクティブなストックビジュアライゼーションのためのStreamlitダッシュボードも構築しました。 この作業は2023年秋に行われ、RAGベースの金融ツールが普及する前に行われました。

関連論文リスト

• A Hybrid Model for Stock Market Forecasting: Integrating News Sentiment and Time Series Data with Graph Neural Networks [0.0]
  本稿では,企業のニュース記事と過去の株価データを統合して予測性能を向上させるマルチモーダルアプローチについて検討する。 米国株とブルームバーグのデータセットの実験は、GNNがLSTMベースラインを上回っていることを示している。 見出しには全記事よりも強い予測信号が含まれており、簡潔なニュース要約が短期市場反応において重要な役割を果たすことを示唆している。
  論文  参考訳（メタデータ） (2025-12-09T13:05:54Z)
• Fine-tuning of lightweight large language models for sentiment classification on heterogeneous financial textual data [0.8921166277011348]
  財務データセットから感情理解を一般化する軽量なオープンソースの大言語モデル(LLM)について検討する。 LLM、特にQwen3 8BとLlama3 8Bは、利用可能なトレーニングデータのわずか5%を使用しても、ほとんどのシナリオで最高のパフォーマンスを発揮する。
  論文  参考訳（メタデータ） (2025-11-30T15:58:22Z)
• Mamba Outpaces Reformer in Stock Prediction with Sentiments from Top Ten LLMs [0.0]
  本研究では,上位10大言語モデル(LLM)のセマンティック感情スコアを用いて,最小レベルの予測精度を向上させる新しいフレームワークを提案する。 われわれは、2025年4月4日から5月2日までのApple.comのニュース記事と1分間のApple.comの株価の時系列データセットを構築した。
  論文  参考訳（メタデータ） (2025-09-14T16:36:24Z)
• Combining Financial Data and News Articles for Stock Price Movement Prediction Using Large Language Models [0.0]
  市場の動きを予測するために,Large Language Models (LLMs) を採用している。 私たちのデータセットには、さまざまなソースから収集されたニュース記事、歴史的な株価、20社の財務報告データが含まれています。 このモデルを用いて、重み付きF1スコア58.5%および59.1%のデータセットにおいて、所定の株価の変動を予測した。
  論文  参考訳（メタデータ） (2024-11-02T21:53:20Z)
• Great Memory, Shallow Reasoning: Limits of $k$NN-LMs [71.73611113995143]
  検索とnext-word予測を統合した$k$NN-LMsは、言語モデリングにおいて強力な性能を示している。 この改良された情報リコール能力が、本当に下流の能力に変換されるかどうかを問う。
  論文  参考訳（メタデータ） (2024-08-21T17:59:05Z)
• CharXiv: Charting Gaps in Realistic Chart Understanding in Multimodal LLMs [62.84082370758761]
  CharXivは、arXiv論文の2,323のチャートを含む総合的な評価スイートである。 品質を確保するために、すべてのチャートと質問は、人間の専門家によって手書きされ、キュレーションされ、検証されます。 その結果、最強のプロプライエタリモデルの推論スキルの間に、かなり過小評価されていたギャップが明らかとなった。
  論文  参考訳（メタデータ） (2024-06-26T17:50:11Z)
• 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)
• 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)
• 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)
• Multilingual Machine Translation with Large Language Models: Empirical Results and Analysis [103.89753784762445]
  大規模言語モデル(LLM)は多言語機械翻訳(MMT)の処理において顕著な可能性を示した。 本稿では, MMT における LLM の利点と課題を体系的に検討する。 また,ChatGPTとGPT-4を含む8つのLLMを徹底的に評価した。
  論文  参考訳（メタデータ） (2023-04-10T15:51:30Z)
• BloombergGPT: A Large Language Model for Finance [42.73350054822628]
  我々は、幅広い財務データに基づいて訓練された500億のパラメータ言語モデルであるBloombergGPTを提示する。 Bloombergの広範囲なデータソースに基づいて,汎用データセットから345億のトークンを付加した,363億のトークンデータセットを構築しました。 我々の混合データセットトレーニングは、財務タスクにおける既存のモデルをかなりのマージンで上回るモデルにつながります。
  論文  参考訳（メタデータ） (2023-03-30T17:30:36Z)
• You can't pick your neighbors, or can you? When and how to rely on retrieval in the $k$NN-LM [65.74934004876914]
  Retrieval-enhanced Language Model (LM) は、大規模な外部データストアから取得したテキストにそれらの予測を条件付ける。 そのようなアプローチの1つ、$k$NN-LMは、既存のLMの予測を$k$-nearest近くのモデルの出力と補間する。 本研究では,2つの英語モデルデータセットに対するアプローチの有効性を実証的に測定する。
  論文  参考訳（メタデータ） (2022-10-28T02:57:40Z)

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。