論文の概要: EXAONE Finance 1.0: An Attention-free Time Series Foundation Model for Financial Time Series
- arxiv url: http://arxiv.org/abs/2609.04239v2
- Date: Mon, 07 Sep 2026 06:41:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.468939
- Title: EXAONE Finance 1.0: An Attention-free Time Series Foundation Model for Financial Time Series
- Title（参考訳）: EXAONE Finance 1.0:Attention-free Time Series Foundation Model for Financial Time Series
- Abstract要約: 本報告では,金融予測に適した金融時系列基盤モデル(TSFM)であるEXAONE For Financeについて述べる。
これらの課題に対処するため、EXAONE Financeは注意のないアーキテクチャを採用し、自己注意を2つの単純で効果的な線形時間演算子に置き換える。
さまざまな資産クラスをカバーする財務予測ベンチマークであるFinVerseでは、EXAONE Financeが最先端のパフォーマンスを達成している。
- 参考スコア（独自算出の注目度）: 13.359564942661251
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This technical report presents EXAONE Forecast for Finance (EXAONE Finance), a financial time series foundation model (TSFM) tailored to financial forecasting. While recent TSFMs achieve strong zero-shot performance through large-scale pretraining, they are primarily developed for general-domain time series and largely rely on self-attention backbones whose computational cost grows quadratically with sequence length and variate count. Moreover, they assume fully observed inputs and are pretrained on corpora that fail to adequately capture the unique dynamics of financial markets. These limitations hinder their applicability to finance, where long, many-channel, intermittently observed panels are common. To address these challenges, EXAONE Finance adopts an attention-free architecture, replacing self-attention with two simple yet effective linear-time operators: (1) a causal 1D convolution for temporal mixing and (2) a group-aware pooling multi-layer perceptron (MLP) for variate mixing. Furthermore, a masked-context augmentation exposes the model to contiguous missing spans during training, improving robustness to the missingness pervasive in financial markets. EXAONE Finance is pretrained on a synthetic financial corpus whose generative process is designed to reproduce the properties of financial series such as heavy tails, volatility clustering, jumps, regime shifts, and cross-asset dependence, combined with a domain-agnostic synthetic source. On FinVerse, a financial forecasting benchmark covering diverse asset classes, EXAONE Finance attains state-of-the-art performance, ranking first across all three evaluation tiers: point-forecast accuracy, cross-sectional asset ranking, and portfolio profitability.
- Abstract（参考訳）: 本技術報告では,金融予測に適した金融時系列基盤モデルであるEXAONE(EXAONE Finance)を提示する。
近年のTSFMは、大規模な事前訓練によって強力なゼロショット性能を達成しているが、これらは主に一般ドメインの時系列用に開発されており、計算コストは、列長と可変数で2次的に増加する自己アテンションバックボーンに依存している。
さらに、完全に観察されたインプットを前提としており、金融市場のユニークなダイナミクスを適切に把握できないコーパスで事前訓練されている。
これらの制限は、長い、多チャンネルの断続的に観察されるパネルが一般的である金融への適用を妨げている。
これらの課題に対処するため、EXAONE Financeは注意のないアーキテクチャを採用し、1)時間混合のための因果1D畳み込み、2)変動混合のためのグループ認識型多層パーセプトロン(MLP)という2つの単純で効果的な線形時間演算子に置き換えた。
さらに、マスク付きコンテキスト拡張により、トレーニング中に欠落したスパンを連続的に追跡するモデルが公開され、金融市場で普及する欠落に対する堅牢性が改善される。
EXAONEファイナンス(EXAONE Finance)は、重尾、ボラティリティクラスタリング、ジャンプ、レジームシフト、相互依存といった金融シリーズの資産を、ドメインに依存しない合成源と組み合わせて再現するように設計された合成金融コーパスに事前訓練されている。
さまざまな資産クラスをカバーする金融予測ベンチマークであるFinVerseでは、EXAONE Financeが最先端のパフォーマンスを達成し、ポイント予測精度、断続的資産ランキング、ポートフォリオ利益率の3つの評価カテゴリで第1位にランクインしている。
関連論文リスト
- UniFinEval: Towards Unified Evaluation of Financial Multimodal Models across Text, Images and Videos [22.530796761115766]
我々は、情報密度の高い金融環境のための最初の統合マルチモーダルベンチマークUniFinEvalを提案する。
UniFinEvalは、現実世界の金融システムに根ざした5つの中核的な金融シナリオを体系的に構築する。
Gemini-3-pro-previewは、全体的なパフォーマンスは最高だが、財務の専門家と比べて大きな差がある。
論文 参考訳（メタデータ） (2026-01-09T10:15:32Z) - 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) - FinCast: A Foundation Model for Financial Time-Series Forecasting [9.541414629606207]
FinCastは、大規模な金融データセットに基づいてトレーニングされた金融時系列予測用に特別に設計された最初の基礎モデルである。
堅牢なゼロショットパフォーマンスを示し、ドメイン固有の微調整なしで、効果的に多様なパターンをキャプチャする。
論文 参考訳（メタデータ） (2025-08-27T06:44:46Z) - FinChain: A Symbolic Benchmark for Verifiable Chain-of-Thought Financial Reasoning [82.7292329605713]
FinChainは、ファイナンスにおける検証可能なChain-of-Thought評価のために特別に設計された最初のベンチマークである。
12の金融ドメインに58のトピックがあり、それぞれがパラメータ化されたシンボリックテンプレートと実行可能なPythonトレースで表現されている。
FinChainは、多段階の財務推論における永続的な弱点を明らかにし、信頼できる、解釈可能な、検証可能な金融AIを開発するための基盤を提供する。
論文 参考訳（メタデータ） (2025-06-03T06:44:42Z) - 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) - BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges [55.2480439325792]
本稿では,時系列予測や資産価格の急上昇の予測に特化して,新たな大規模言語モデル(LLM)アーキテクチャであるBreakGPTを紹介する。
我々は、最小限のトレーニングで財務予測を行うための有望なソリューションとしてBreakGPTを紹介し、局所的およびグローバルな時間的依存関係をキャプチャする強力な競合相手として紹介する。
論文 参考訳（メタデータ） (2024-11-09T05:40:32Z) - Large Language Models for Financial Aid in Financial Time-series Forecasting [0.4218593777811082]
金融支援の時系列予測は、限られた歴史的データセットと高次元財務情報のために困難である。
我々は、従来のアプローチよりも優れた性能を示すために、事前訓練されたLPM(GPT-2をバックボーンとする)、トランスフォーマー、線形モデルなど、最先端の時系列モデルを用いている。
論文 参考訳（メタデータ） (2024-10-24T12:41:47Z) - Open-FinLLMs: Open Multimodal Large Language Models for Financial Applications [88.96861155804935]
オープンソースのマルチモーダル金融 LLM である textitOpen-FinLLMs を紹介する。
FinLLaMAは52ビリオンのトーケンコーパス、FinLLaMA-Instructは573Kの財務命令で微調整され、FinLLaVAは1.43Mのマルチモーダルチューニングペアで強化されている。
我々は、14の財務タスク、30のデータセット、および4つのマルチモーダルタスクにわたるOpen-FinLLMをゼロショット、少数ショット、教師付き微調整設定で評価した。
論文 参考訳（メタデータ） (2024-08-20T16:15:28Z) - SNFinLLM: Systematic and Nuanced Financial Domain Adaptation of Chinese Large Language Models [6.639972934967109]
大規模言語モデル (LLM) は、金融業界において自然言語処理を推進するための強力なツールとなっている。
SNFinLLMという中国の金融ドメイン向けに設計された新しい大規模言語モデルを提案する。
SNFinLLMは、質問への回答、財務調査レポートの要約、感情の分析、財務計算の実行など、ドメイン固有のタスクに優れています。
論文 参考訳（メタデータ） (2024-08-05T08:24:24Z) - Gaussian process imputation of multiple financial series [71.08576457371433]
金融指標、株価、為替レートなどの複数の時系列は、市場が潜んでいる状態に依存しているため、強く結びついている。
金融時系列間の関係を多出力ガウスプロセスでモデル化することで学習することに注力する。
論文 参考訳（メタデータ） (2020-02-11T19:18:18Z)
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。