論文の概要: Making Alternative Data Work: Context-Augmented LLMs for Financial Forecasting

• arxiv url: http://arxiv.org/abs/2609.11607v1
• Date: Thu, 10 Sep 2026 14:27:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.398364
• Title: Making Alternative Data Work: Context-Augmented LLMs for Financial Forecasting
• Title（参考訳）: 代替データ処理:財務予測のためのコンテキスト拡張LLM
• Abstract要約: 大規模言語モデル(LLM)は、命令を解釈し、コンテキスト内の例から学習し、予測を生成する。 本稿では、まず、各代替データチャネルが情報化されそうな企業を識別する2エージェントフレームワークを提案する。 このフレームワークを4つの商用代替データチャネルで評価する。
• 参考スコア（独自算出の注目度）: 66.81020766645811
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: When forecasting a firm's future financial performance, alternative data - data collected from non-traditional sources such as consumer transactions, web traffic, and prediction markets - can provide timely signals about firms' operating activities and broader market conditions. These signals may reveal information that is not captured by traditional public sources and can therefore provide complementary information for forecasting firms' future financial performance. However, firm-level alternative data often have limited historical coverage, are relevant only to specific prediction targets or subsets of firms, and are distributed across numerous heterogeneous channels, making them difficult to incorporate flexibly into conventional forecasting approaches. Meanwhile, large language models (LLMs) can interpret instructions, learn from in-context examples, and generate predictions by combining heterogeneous information without task-specific parameter updates. Motivated by this potential flexibility, we investigate whether an LLM can forecast firm performance by integrating alternative data with other financial information through in-context learning. We propose a two-agent framework that first identifies the firms for which each alternative data channel is likely to be informative and then predicts revenue using firm- and channel-specific context. We evaluate the framework across four commercial alternative data channels. In our experiments, adding alternative data in context alongside other financial information improves the LLM's forecasting relative to either source alone, and these forecasts are more accurate than those of standard forecasting baselines. These findings suggest that LLMs provide a flexible and practical approach to integrating alternative data with heterogeneous financial information.
• Abstract（参考訳）: 企業の将来の財務実績を予測する際には、消費者取引、Webトラフィック、予測市場といった非伝統的な情報源から収集されたデータである代替データが、企業の営業活動や市場状況に関するタイムリーな情報を提供することができる。 これらのシグナルは、従来の公的情報源が捉えていない情報を明らかにし、企業の将来的な業績を予測するための補完的な情報を提供する可能性がある。 しかし、ファームレベルの代替データは、しばしば歴史的な範囲が限られており、特定の予測対象または企業のサブセットにのみ関係しており、多くの異種チャネルに分散しているため、従来の予測手法に柔軟に組み込むのが困難である。 一方、大規模言語モデル(LLM)は命令を解釈し、コンテキスト内の例から学習し、タスク固有のパラメータを更新せずに異種情報を組み合わせて予測を生成する。 本研究の目的は,LLMがコンテキスト内学習を通じて,代替データと他の財務情報を統合することで,企業業績を予測できるかどうかを検討することである。 本稿では、まず、各代替データチャネルが情報化されそうな企業を特定し、その後、企業やチャネル固有のコンテキストを用いて収益を予測する2エージェントフレームワークを提案する。 このフレームワークを4つの商用代替データチャネルで評価する。 実験では、他の財務情報とともに文脈に代替データを追加することにより、LLMの予測はいずれのソースに対しても改善され、これらの予測は標準的な予測基準よりも正確である。 これらの結果から,LLMは代替データと不均質な財務情報を統合するための柔軟で実践的なアプローチを提供する可能性が示唆された。

関連論文リスト

• Regime-aware financial volatility forecasting via in-context learning [19.089657251243196]
  本研究は,非定常市場条件下での金融ボラティリティ予測に大規模言語モデル(LLM)を活用する,レシック・アウェア・イン・コンテキスト・ラーニング・フレームワークを導入する。 複数の財務データセットを用いた実験により、提案手法は古典的ボラティリティ予測手法と直接単発学習の両方、特に高ボラティリティ期間において優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2026-03-11T00:47:27Z)
• Data Valuation and Selection in a Federated Model Marketplace [28.369108318258753]
  本稿では、フェデレートラーニング(FL)に適したワッサーシュタインに基づく推定器を中心にした包括的フレームワークを提案する。 プライバシを確保するために、生データへのアクセスを必要とせず、ワッサースタイン距離を近似する分散手法を提案する。 我々のアプローチは、高いパフォーマンスデータの組み合わせを一貫して特定し、より信頼性の高いFLベースのモデルマーケットプレースへの道を開く。
  論文  参考訳（メタデータ） (2025-09-09T06:45:30Z)
• Beyond Naïve Prompting: Strategies for Improved Zero-shot Context-aided Forecasting with LLMs [57.82819770709032]
  大規模言語モデル (LLM) は、na "ive direct prompting" を通じて効果的な文脈支援予測を行うことができる。 ReDPは、明確な推論トレースを抽出することで、解釈可能性を改善し、コンテキスト上でモデルの推論を評価することができる。 CorDPはLLMを活用して、既存の予測をコンテキストで洗練し、現実の予測パイプラインにおける適用性を高める。 IC-DPは、文脈支援予測タスクの歴史的例を即時に組み込むことを提案し、大規模モデルにおいても精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-08-13T16:02:55Z)
• Deriving Strategic Market Insights with Large Language Models: A Benchmark for Forward Counterfactual Generation [55.2788567621326]
  本稿では,FIN-FORCE-FINancial Forward Counterfactual Evaluationを提案する。 FIN-FORCEは金融ニュースの見出しをまとめることで、LLMベースの対実生成を支援する。 これにより、将来の市場展開を探索し、予測するためのスケーラブルで自動化されたソリューションの道を開くことができる。
  論文  参考訳（メタデータ） (2025-05-26T02:41:50Z)
• Cross-Modal Temporal Fusion for Financial Market Forecasting [3.0756278306759635]
  我々は、市場予測を改善するために、構造化および非構造化の財務データを融合するトランスフォーマーベースのディープラーニングフレームワークであるCross-Modal Temporal Fusion (CMTF)を導入する。 FTSE 100 ストックデータを用いた実験結果から,CMTF は古典的および深層学習ベースラインと比較して,価格方向分類において優れた性能を示した。
  論文  参考訳（メタデータ） (2025-04-18T07:20:18Z)
• Realized Volatility Forecasting for New Issues and Spin-Offs using Multi-Source Transfer Learning [0.0]
  本稿では,金融資産のボラティリティを予測するためのマルチソース・トランスファー学習手法を提案する。 我々は、実質的な歴史的データ記録を持つ資産の相補的な情報源データを利用する。 予測性能を、対象データにのみトレーニングされた予測と、ソース全体と対象データにトレーニングされたモデルと比較する。
  論文  参考訳（メタデータ） (2025-03-16T20:56:44Z)
• Context is Key: A Benchmark for Forecasting with Essential Textual Information [87.3175915185287]
  コンテキスト is Key" (CiK) は、数値データを多種多様なテキストコンテキストと組み合わせた予測ベンチマークである。 我々は,統計モデル,時系列基礎モデル,LLMに基づく予測モデルなど,さまざまなアプローチを評価する。 提案手法は,提案するベンチマークにおいて,他の試験手法よりも優れる簡易かつ効果的なLCMプロンプト法である。
  論文  参考訳（メタデータ） (2024-10-24T17:56:08Z)
• RiskLabs: Predicting Financial Risk Using Large Language Model based on Multimodal and Multi-Sources Data [7.76579913330606]
  RiskLabsは、大規模言語モデル(LLM)を活用して、財務リスクを分析し予測する新しいフレームワークです。 マーケットのボラティリティと分散の両方を予測する上で,リスクラボの有効性が実証された。
  論文  参考訳（メタデータ） (2024-04-11T03:14:50Z)
• 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)
• Uncertainty-guided Source-free Domain Adaptation [77.3844160723014]
  ソースフリードメイン適応(SFDA)は、事前訓練されたソースモデルのみを使用することで、未ラベルのターゲットデータセットに分類器を適応させることを目的としている。 本稿では、ソースモデル予測の不確実性を定量化し、ターゲット適応の導出に利用することを提案する。
  論文  参考訳（メタデータ） (2022-08-16T08:03:30Z)
• Super-App Behavioral Patterns in Credit Risk Models: Financial, Statistical and Regulatory Implications [110.54266632357673]
  従来の官僚データとは対照的に、アプリベースのマーケットプレースから派生した代替データが信用スコアモデルに与える影響を提示する。 2つの国にまたがって検証した結果、これらの新たなデータソースは、低体重者や若年者における金融行動を予測するのに特に有用であることが示された。
  論文  参考訳（メタデータ） (2020-05-09T01:32:03Z)

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。