論文の概要: CAME: Company-Aware Evidence-Memory Experts for Interpretable Quarter-Ahead Revenue Forecasting

• arxiv url: http://arxiv.org/abs/2609.33143v1
• Date: Sun, 27 Sep 2026 03:14:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 10:05:32.606376
• Title: CAME: Company-Aware Evidence-Memory Experts for Interpretable Quarter-Ahead Revenue Forecasting
• Title（参考訳）: CAME:四半期売上予測を解釈する企業意識のエビデンス・エキスパート
• Abstract要約: CAME(Company-Aware Evidence-Memory Experts)は、統計的アンカーを改良する残留予測フレームワークである。 CAMEは、12の大手公共技術およびプラットフォーム企業から336の企業を対象とする開発包括的バックテストにおいて、最も低い総合的ポイント推定誤差を達成している。
• 参考スコア（独自算出の注目度）: 19.497522920812028
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quarter-ahead revenue forecasting requires company-scale numerical accuracy, strict temporal validity, and company-specific interpretation of narrative disclosures. LLMs can distill textual evidence but can produce scale-misaligned forecasts, whereas history-based anchors are stable but miss forecast-time signals such as product transitions, supply constraints, and management guidance. We introduce CAME (Company-Aware Evidence-Memory Experts), a residual-forecasting framework that refines a no-leakage statistical anchor when current semantic evidence and prior error patterns justify an adjustment. On a development-inclusive rolling backtest of 336 company-quarters from 12 large public technology and platform firms, CAME achieves the lowest aggregate point-estimate error among the reported methods, with statistically supported macro-sMAPE gains over the matched Statistical Anchor, and outperforms History + Guidance on all six aggregate metrics. CAME also links adjustments to source-linked evidence cards and guarded memory traces, supporting forecast inspection, provenance, and failure localization.
• Abstract（参考訳）: 四半期売上予測には、企業規模の数値的正確性、厳密な時間的妥当性、企業固有の物語開示の解釈が必要である。 LLMはテキストの証拠を抽出できるが、スケールミスの予測を生成できるが、履歴ベースのアンカーは安定しているが、製品遷移、供給制約、管理ガイダンスなどの予測時間信号が見逃している。 CAME(Company-Aware Evidence-Memory Experts)は,現在のセマンティックエビデンスや事前のエラーパターンが調整を正当化する場合に,発生しない統計的アンカーを改良する残差予測フレームワークである。 CAMEは、12の大手公共技術およびプラットフォーム企業による336の企業クォーターを開発包括的にロールバックテストし、報告された手法の中で最も低い総合的ポイント推定誤差を達成し、統計的に支持されたマクロsMAPEが一致した統計アンカーを上回り、ヒストリ+ガイダンスが6つの集計指標すべてを上回っている。 CAMEはまた、ソースリンクされたエビデンスカードとガードされたメモリトレースに調整をリンクし、予測インスペクション、証明、障害ローカライゼーションをサポートする。

関連論文リスト

• From Narrative to Auditable Forecasts: A Structured Scaffold for Agentic Forecasting [28.10023756949099]
  AuditForecastは構造化確率予測のためのエージェント的な足場である。 予測を適切な定量的ベースラインモデルで固定し、モデル誘導データ検索を使用してベース確率を導出し、モデルの範囲外で状況要因を更新する。 AuditForecastは、予測構築を明確にし、系統的なポストホック分析をサポートする監査可能な予測レポートを生成する。
  論文  参考訳（メタデータ） (2026-09-05T05:58:39Z)
• LLM-based Agents for Forecasting and Prediction: Methods, Training, Evaluation, and Applications [76.41731220830714]
  大規模言語モデル(LLM)は、言語ベースの推論と時間的データ、エビデンス検索、外部ツール、反復予測を組み合わせた予測システムをサポートするようになった。 ファイナンス、天気、健康、エネルギー、オペレーションの応用について検討し、評価に使用されるベンチマークとデータセットを要約する。
  論文  参考訳（メタデータ） (2026-08-24T10:02:39Z)
• Is Capability a Liability? More Capable Language Models Make Worse Forecasts When It Matters Most [11.4807141145402]
  逆スケーリングでは、より有能なモデルでは、超線形成長を伴う問題を予測し、状態変化の尾リスクを予測し、分布予測が悪化する。 このパターンはForecastBench-Simで、線形制御にマッチした合成SIRの流行を予測し、COVID-19、麻疹、住宅市場、ハイパーインフレの実際のデータセットに複製する。 この逆スケーリングは、LLM予測ベンチマークに共通する単一閾値のメトリクスには現れず、同一出力における能力-正確性関係のサインを逆転させる。
  論文  参考訳（メタデータ） (2026-05-21T16:14:33Z)
• Nexus : An Agentic Framework for Time Series Forecasting [72.73790673303154]
  時系列予測は、ニュースやイベントのような構造化されていないコンテキストデータによる推論を必要とする。 予測を特殊なステージに分解するマルチエージェント予測フレームワークであるNexusを紹介します。 本研究では,現在のLLMは,従来よりも強い固有予測能力を有することを示す。
  論文  参考訳（メタデータ） (2026-05-14T05:12:13Z)
• STAR : Bridging Statistical and Agentic Reasoning for Large Model Performance Prediction [78.0692157478247]
  本稿では,知識駆動型エージェント推論を用いて,データ駆動型静的予測を橋渡しするフレームワークSTARを提案する。 STARはスコアベースとランクベースの両方の基準線を一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-02-12T16:30:07Z)
• Integrating AI and Ensemble Forecasting: Explainable Materials Planning with Scorecards and Trend Insights for a Large-Scale Manufacturer [0.45687771576879593]
  本稿では,アフターセール需要予測とモニタリングのための実用的アーキテクチャを提案する。 統計モデル、機械学習モデル、ディープラーニングモデルの、収益とクラスタ対応のアンサンブルを統合する。 システムは90か国以上、約6,000の部品の予測、監視、在庫決定のループを閉じる。
  論文  参考訳（メタデータ） (2025-10-01T15:14:10Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Enhancing Transformer-Based Foundation Models for Time Series Forecasting via Bagging, Boosting and Statistical Ensembles [7.787518725874443]
  時系列基礎モデル(TSFM)は、時系列予測、異常検出、分類、計算のための強力な一般化とゼロショット能力を示している。 本稿では, 統計的およびアンサンブルに基づくエンハンスメント技術を用いて, 頑健さと精度を向上させる手法について検討する。
  論文  参考訳（メタデータ） (2025-08-18T04:06:26Z)
• Geometry-Aware Instrumental Variable Regression [56.16884466478886]
  本稿では,データ導出情報によるデータ多様体の幾何を考慮した移動型IV推定器を提案する。 本手法のプラグイン・アンド・プレイ実装は,標準設定で関連する推定器と同等に動作する。
  論文  参考訳（メタデータ） (2024-05-19T17:49:33Z)

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。