論文の概要: AnalysisBank: An Expert Analysis Pattern Library for Financial Report Generation
- arxiv url: http://arxiv.org/abs/2609.00818v1
- Date: Tue, 01 Sep 2026 07:18:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-02 16:31:36.429508
- Title: AnalysisBank: An Expert Analysis Pattern Library for Financial Report Generation
- Title（参考訳）: AnalysisBank:金融レポート生成のためのエキスパート分析パターンライブラリ
- Authors: Yajing Yang, Yunshan Ma, Kelvin J. L. Koa, Min-Yen Kan,
- Abstract要約: 本稿では,専門家レポートを再利用可能な分析ライブラリに蒸留する分析バンクを提案する。
推測時に、AnalyticBankは入力信号をライブラリエントリにマッチさせ、検索した動きを適用してレポートを構成する。
550人の専門家による分析結果から, 47-52信号の重み付き分布が13種類の移動型に分布していることが判明した。
- 参考スコア（独自算出の注目度）: 26.5737179471663
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We argue that financial report generation should operate at the analytical rather than structural level, composing content from data-derived insights rather than high-level topics or sections. To this end, we propose AnalysisBank, which distills expert reports into a reusable library of Analyses, each pairing a data signal, an analytical move, and the expert span it was derived from. At inference time, AnalysisBank matches input signals to library entries and applies the retrieved moves to compose the report. A study of Analyses distilled from 550 expert reports reveals a heavy-tailed distribution of 47-52 signal types spanning 13 move types. On two financial benchmarks across four LLM backbones, AnalysisBank increases the proportion of novel, data-grounded insights by 1.7-3.7x over structural-level baselines. Transfer to scientific writing suggests that the distinction generalizes beyond finance. Code and the distilled Analysis library are available at https://github.com/yajingyang/AnalysisBank.
- Abstract（参考訳）: 我々は、財務報告の生成は構造レベルではなく分析レベルで行うべきであり、高レベルなトピックやセクションではなく、データに基づくインサイトからコンテンツを構成するべきだと論じている。
そこで本研究では,専門家レポートを再利用可能な分析ライブラリに抽出し,データ信号のペア化,分析動作,およびそれに由来する専門家の範囲を抽出する分析バンクを提案する。
推測時に、AnalyticBankは入力信号をライブラリエントリにマッチさせ、検索した動きを適用してレポートを構成する。
550人の専門家による分析結果から, 47-52信号の重み付き分布が13種類の移動型に分布していることが判明した。
4つのLCMバックボーンにまたがる2つの金融ベンチマークでは、アナリティクスバンクは構造レベルのベースラインに対して1.7-3.7倍の新規なデータグラウンドインサイトの割合を増加させている。
科学的文献への移行は、この区別が財政を超えて一般化することを示唆している。
コードと蒸留分析ライブラリはhttps://github.com/yajingyang/AnalysisBank.comで公開されている。
関連論文リスト
- Agentic Retrieval-Augmented Generation for Financial Document Question Answering [7.56842616602779]
FinAgent-RAGは、反復的な検索推論ループを自己組織化してオーケストレーションするエージェントRAGフレームワークである。
コントラシティブ・ファイナンシャル・レトリバー(Contrastive Financial Retriever)は、意味的には似ているが数値的に異なる金融パスを区別するために、厳しい負の採掘で訓練されたコントラシティブ・ファイナンシャル・レトリバーを統合している。
76.81%、78.46%、74.96%の精度で最強のベースラインを5.62-9.32ポイント上回っている。
論文 参考訳（メタデータ） (2026-05-06T19:59:51Z) - From Comprehension to Reasoning: A Hierarchical Benchmark for Automated Financial Research Reporting [19.0993436440595]
FinReasoningは、中国のリサーチレポート生成を3段階に分解するベンチマークだ。
評価結果に基づいて、FinReasoningはほとんどのモデルが理解と実行のギャップを示すことを示した。
論文 参考訳（メタデータ） (2026-02-25T13:44:58Z) - Structure First, Reason Next: Enhancing a Large Language Model using Knowledge Graph for Numerical Reasoning in Financial Documents [0.21485350418225244]
大規模言語モデル(LLM)は、複数のQ-Aシステムにおいて有望な結果を示している。
知識グラフ(KG)のような構造化データ拡張は、LSMの予測を著しく改善した。
本稿では,KGを用いた構造化情報と,数値推論タスクのためのLLM予測を併用するフレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-12T17:39:08Z) - LongDA: Benchmarking LLM Agents for Long-Document Data Analysis [55.32211515932351]
LongDAは、長いドキュメントと複雑なデータをナビゲートする実際の設定をターゲットとしています。
LongTAは、ドキュメントアクセス、検索、コード実行を可能にするツール拡張されたエージェントフレームワークである。
実験の結果, 最先端モデルにおいても, かなりの性能差が認められた。
論文 参考訳（メタデータ） (2026-01-05T23:23:16Z) - FinSight: Towards Real-World Financial Deep Research [68.31086471310773]
FinSightは、高品質でマルチモーダルな財務報告を作成するための新しいフレームワークである。
プロフェッショナルグレードの可視化を確保するため,反復視覚強調機構を提案する。
2段階のBinging Frameworkは、簡潔な分析セグメントをコヒーレント、引用認識、マルチモーダルレポートに拡張する。
論文 参考訳（メタデータ） (2025-10-19T14:05:35Z) - FinAgentBench: A Benchmark Dataset for Agentic Retrieval in Financial Question Answering [57.18367828883773]
FinAgentBenchは、ファイナンスにおける多段階推論によるエージェント検索を評価するためのベンチマークである。
このベンチマークは、S&P-500上場企業に関する26Kのエキスパートアノテート例から成っている。
我々は,最先端モデルの集合を評価し,対象の微調整がエージェント検索性能を大幅に向上することを示す。
論文 参考訳（メタデータ） (2025-08-07T22:15:22Z) - FinDABench: Benchmarking Financial Data Analysis Ability of Large Language Models [26.99936434072108]
textttFinDABenchは、大規模言語モデルの財務データ分析能力を評価するために設計されたベンチマークである。
textttFinDABenchは、LLM能力の詳細な分析のための指標を提供することを目的としている。
論文 参考訳（メタデータ） (2024-01-01T15:26:23Z) - Text2Analysis: A Benchmark of Table Question Answering with Advanced
Data Analysis and Unclear Queries [67.0083902913112]
高度な解析タスクを取り入れたText2Analysisベンチマークを開発した。
また,5つのイノベーティブかつ効果的なアノテーション手法を開発した。
3つの異なる指標を用いて5つの最先端モデルを評価する。
論文 参考訳（メタデータ） (2023-12-21T08:50:41Z) - CORAL: COde RepresentAtion Learning with Weakly-Supervised Transformers
for Analyzing Data Analysis [33.190021245507445]
ソースコード、特に科学的なソースコードの大規模解析は、データサイエンスのプロセスをよりよく理解する約束を持っている。
本稿では,抽象構文木と周辺自然言語コメントからコードの共同表現を計算するための,弱い教師付きトランスフォーマーベースのアーキテクチャを提案する。
本モデルでは,手軽に手軽に管理できる弱さを生かし,専門家による供給よりも38%の精度向上を実現し,ベースラインを上回ります。
論文 参考訳（メタデータ） (2020-08-28T19:57:49Z)
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。