論文の概要: Resolving the Missing Financial Data Crisis: A Generative AI Pipeline for SEC 10-K Extraction

• arxiv url: http://arxiv.org/abs/2609.35864v1
• Date: Fri, 25 Sep 2026 21:37:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.868335
• Title: Resolving the Missing Financial Data Crisis: A Generative AI Pipeline for SEC 10-K Extraction
• Title（参考訳）: 財務データ危機の解決 - SEC 10-K抽出のための生成AIパイプライン
• Abstract要約: SEC 10-K の申請書には、構造化データセットで一貫して取得されない相当な財務情報が含まれている。 正規表現(Regex)やBERTといった従来の金融抽出手法が広く用いられている。 本研究では,Llama-3 8B,Qwen-2.5 14B,Llama-3.3 70Bなどの大規模言語モデル(LLM)を評価し,個々のモデルの長所と短所を明らかにする。
• 参考スコア（独自算出の注目度）: 6.220725124423482
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: SEC 10-K filings contain substantial financial information that is not consistently captured in structured datasets, creating a missing-data problem affecting over 70% of firms and half of total market capitalization. This can disproportionately bias quantitative analysis against smaller firms, which may be excluded due to limited available data. Traditional financial extraction methods such as Regular Expressions (Regex) and BERT, have been widely used. However, they are highly brittle when parsing complex SEC 10-K filings, which leads to data that is existent in the files being lost since these methods do not consider that a data attribute could be located in a different section or a footnote. This study evaluates several Large Language Models (LLMs), including Llama-3 8B, Qwen-2.5 14B, and Llama-3.3 70B, to figure out individual model strengths and weaknesses when extracting specific attributes from SEC 10-K text. The extraction quality was evaluated across four financial variables of varying structural complexity: Cash and Cash Equivalents (tabular), Short-Term Debt (hybrid), Credit Facilities (narrative), and Research and Development (hybrid). Results show that while smaller models like Llama-3 8B experience performance degradation under complex negative prompting, aligning parameter scale with document complexity yields high zero-shot accuracy. Qwen-2.5 14B excels as a tabular specialist with an 83.33% F1 score on Cash, whereas Llama-3.3 70B effectively navigates dense narrative footnotes, achieving a 76.92% F1 score on R&D. This scalable framework addresses critical information gaps in quantitative finance datasets and eliminates missing-data bias through a more thorough analysis of the SEC 10-K files.
• Abstract（参考訳）: SEC 10-Kの申請書類には、構造化されたデータセットで一貫して取得されていない実質的な財務情報が含まれており、70%以上の企業と市場資本の半分に影響を及ぼすデータ不足の問題を生み出している。 これは、限られたデータのために除外される可能性がある小規模企業に対して、不均等に定量的分析をバイアスする可能性がある。 正規表現(Regex)やBERTといった従来の金融抽出手法が広く用いられている。 しかし、複雑なSEC 10-Kの申請を解析すると、これらのメソッドは、データ属性が別のセクションやフットノートにあるとは考えていないため、失われたファイルの中に存在するデータにつながるため、非常に脆弱である。 本研究では,Llama-3 8B,Qwen-2.5 14B,Llama-3.3 70Bなどの大規模言語モデル(LLM)を評価し,SEC 10-Kテキストから特定の属性を抽出する際の個々のモデルの長所と短所を明らかにする。 抽出品質は, キャッシュおよびキャッシュ等価(タブラド), 短期負債(ヒブリド), 信用施設(ナラティブ), 研究開発(ヒブリド)の4つの財務変数で評価された。 その結果、Llama-3 8Bのような小さなモデルでは、複雑な負のプロンプトの下で性能劣化を経験するが、パラメータスケールと文書の複雑さを整合させることで、ゼロショット精度が高いことがわかった。 Qwen-2.5 14B は Cash で83.33%のF1スコア、Llama-3.3 70B はR&Dで76.92%のF1スコアを達成している。 このスケーラブルなフレームワークは、定量的ファイナンスデータセットにおける重要な情報ギャップに対処し、SEC 10-Kファイルのより詳細な分析を通じて、欠落データバイアスを取り除く。

関連論文リスト

• The GT-Score: A Robust Objective Function for Reducing Overfitting in Data-Driven Trading Strategies [51.56484100374058]
  GT-Scoreは、パフォーマンス、統計的重要性、一貫性、ダウンサイドリスクを統合する複合目的関数である。 GT-Scoreは、歩行前向きの検証において、ベースライン目的関数に対して、一般化比を98%改善する。 これらの結果から, 抗オーバーフィッティング構造を組み込むことにより, 定量的研究におけるバックテストの信頼性を向上させることが示唆された。
  論文  参考訳（メタデータ） (2026-01-22T05:16:47Z)
• LLM Output Drift: Cross-Provider Validation & Mitigation for Financial Workflows [0.5798758080057375]
  非決定論的出力(アウトプットドリフト)は監査性と信頼を損なう。 規制された金融業務に関する5つのモデルアーキテクチャ間のドリフトを定量化する。 この発見は、より大きなモデルがプロダクションデプロイメントに普遍的に優れているという従来の仮定に挑戦する。
  論文  参考訳（メタデータ） (2025-11-10T19:54:00Z)
• 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)
• ACT-Tensor: Tensor Completion Framework for Financial Dataset Imputation [2.3404331106562677]
  本稿では,アダプティブ・クラスタベースのテンソルスムージング・テンソル・コンプリート・フレームワーク(ACT-Tensor)を導入する。 ACT-Tensorは、欠落するデータレシスタンスの範囲で、計算精度の点で、最先端のベンチマークを一貫して上回っている。 その結果、ACT-Tensorは価格の誤差を減らすだけでなく、構築されたポートフォリオのリスク調整されたリターンを大幅に改善することがわかった。
  論文  参考訳（メタデータ） (2025-08-03T17:28:57Z)
• 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)
• 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)
• CSPRD: A Financial Policy Retrieval Dataset for Chinese Stock Market [61.59326951366202]
  我々は、中国株式政策検索データセット(CSPRD)を導入して、新たな課題である政策検索を提案する。 CSPRDは、中国の政策コーパスの10k以上の項目から、経験豊富な専門家によってラベル付けされた700以上のパスを提供する。 我々の最高のパフォーマンスベースラインは56.1% MRR@10、28.5% NDCG@10、37.5% Recall@10、80.6% Precision@10である。
  論文  参考訳（メタデータ） (2023-09-08T15:40:54Z)
• Leveraging variational autoencoders for multiple data imputation [0.5156484100374059]
  本稿では,複数の計算手法を用いて,データ欠落を考慮に入れた深部モデル,すなわち変分オートエンコーダ(VAE)について検討する。 VAEは、過小評価と過信な計算によって、欠落したデータの経験的カバレッジを低くすることがわかった。 これを克服するために、一般化されたベイズフレームワークから見た$beta$-VAEsを用いて、モデルの誤特定に対して堅牢性を提供する。
  論文  参考訳（メタデータ） (2022-09-30T08:58:43Z)

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。