論文の概要: Evaluating Financial Sentiment in the Age of AI

• arxiv url: http://arxiv.org/abs/2609.20198v1
• Date: Wed, 29 Jul 2026 02:33:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.633042
• Title: Evaluating Financial Sentiment in the Age of AI
• Title（参考訳）: AI時代における財務感の評価
• Abstract要約: 本稿では、辞書ベースの方法、金融特化トランスフォーマー、オープンソースのLCMなど、12の感情モデルを評価する。 いくつかのモデルでは、利益の予想に大きく関連しているセンチメント尺度が作成されているが、翌日の株価リターンと大きく関連しているものはない。 これらの結果は、企業業績に関する情報を財務感が捉えているが、短期的な市場反応を説明する能力は限られていることを示唆している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Financial sentiment measures are widely used in empirical finance, but it remains unclear whether general-purpose large language models (LLMs) improve on existing finance-specific methods. This paper evaluates twelve sentiment models, including dictionary-based methods, finance-specific transformers, and open-source LLMs, using two criteria: linguistic validity and economic validity. We find that general-purpose LLMs achieve classification performance comparable to finance-specific transformer models without task-specific fine-tuning. However, higher classification accuracy does not translate into stronger economic relationships. Several models produce sentiment measures that are significantly associated with earnings surprises, but none is significantly associated with next-day stock returns. Model performance is strongest for announcements with large earnings beats or misses and substantially weaker for announcements with more moderate earnings surprises. These findings suggest that financial sentiment captures information about firms' economic performance but has limited ability to explain short-run market reactions
• Abstract（参考訳）: 金融感情尺度は経験的金融において広く用いられているが、汎用大規模言語モデル(LLM)が既存の金融特化手法を改善したかどうかは不明だ。 本稿では、言語的妥当性と経済的妥当性の2つの基準を用いて、辞書ベースの方法、金融特化トランスフォーマー、オープンソースのLCMを含む12の感情モデルを評価する。 汎用LLMは,タスク固有の微調整を伴わないファイナンス特化トランスフォーマーモデルに匹敵する分類性能を実現する。 しかし、より高い分類精度は、より強い経済関係に変換されない。 いくつかのモデルでは、利益の予想に大きく関連しているセンチメント尺度が作成されているが、翌日の株価リターンと大きく関連しているものはない。 モデルパフォーマンスは、大きな決算報告や失敗の発表で最強であり、より穏健な決算発表ではかなり弱い。 これらの結果は、企業業績に関する情報を財務感がとらえるが、短期市場反応を説明する能力に限界があることを示唆している。

関連論文リスト

• Evaluating LLMs in Finance Requires Explicit Bias Consideration [88.38155218924999]
  ファイナンス固有のバイアスは、パフォーマンスを低下させ、バックテストを汚染し、報告された結果をデプロイメントのクレームに役に立たないものにする。 一つのバイアスが28%以上の研究で議論されることはない。 本稿では,バイアス診断と将来のシステム設計のための最小限の要件を満たす構造的妥当性フレームワークと評価チェックリストを提案する。
  論文  参考訳（メタデータ） (2026-02-15T17:02:01Z)
• Uncovering Representation Bias for Investment Decisions in Open-Source Large Language Models [0.06749750044497731]
  本稿では,オープンソースのQwenモデルにおける表現バイアスに着目した。 統計的テストと分散分析を用いて、確固としたサイズと評価がモデルの信頼性を継続的に増加させることが分かる。 特定の金融カテゴリーのモデルが促されると、信頼度ランキングは基本的なデータと最もよく一致し、技術的なシグナルは適度に、そして少なくとも成長指標と一致します。
  論文  参考訳（メタデータ） (2025-10-07T09:10:13Z)
• Your AI, Not Your View: The Bias of LLMs in Investment Analysis [62.388554963415906]
  金融において、Large Language Models (LLMs) は、事前訓練されたパラメトリック知識とリアルタイム市場データとの相違から生じる、頻繁な知識紛争に直面している。 これらの対立は、モデル固有のバイアスが制度的目的と誤認される現実世界の投資サービスにおいて特に問題となる。 本研究では,このような紛争シナリオにおける創発的行動を調べるための実験的枠組みを提案し,投資分析におけるバイアスの定量的分析を行う。
  論文  参考訳（メタデータ） (2025-07-28T16:09:38Z)
• Evaluating Large Language Models (LLMs) in Financial NLP: A Comparative Study on Financial Report Analysis [0.0]
  大規模言語モデル(LLM)は、さまざまな金融自然言語処理(FinNLP)タスクで顕著な機能を示している。 本研究は,5つのLLM,GPT,Claude,Perplexity,Gemini,DeepSeekの総合的な比較評価を行う。
  論文  参考訳（メタデータ） (2025-07-24T20:10:27Z)
• Advancing Anomaly Detection: Non-Semantic Financial Data Encoding with LLMs [49.57641083688934]
  本稿では,Large Language Models (LLM) 埋め込みを用いた財務データにおける異常検出の新しい手法を提案する。 実験により,LLMが異常検出に有用な情報をもたらし,モデルがベースラインを上回っていることが確認された。
  論文  参考訳（メタデータ） (2024-06-05T20:19:09Z)
• FinLlama: Financial Sentiment Classification for Algorithmic Trading Applications [2.2661367844871854]
  大規模言語モデル(LLM)はこの文脈で使用することができるが、財務に特化せず、重要な計算資源を必要とする傾向がある。 我々はLlama 2 7Bの基礎モデルに基づく新しいアプローチを導入し,その生成特性と包括的言語操作の利点を享受する。 これは、Llama2 7Bモデルを教師付き財務感情分析データの一部に微調整することで達成される。
  論文  参考訳（メタデータ） (2024-03-18T22:11:00Z)
• Large Language Model Adaptation for Financial Sentiment Analysis [2.0499240875882]
  一般言語モデルは、金融に特化されたタスクでは不足する傾向にある。 1.5B未満のパラメータを持つ2つの基礎モデルは、幅広い戦略を用いて適応されている。 小型LLMは大規模モデルに匹敵する性能を有しつつ,パラメータやデータの観点からも効率がよいことを示す。
  論文  参考訳（メタデータ） (2024-01-26T11:04:01Z)
• 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)

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。