論文の概要: Can Language Models Learn to Forecast Stock Prices

• arxiv url: http://arxiv.org/abs/2609.36914v1
• Date: Tue, 29 Sep 2026 07:34:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.28573
• Title: Can Language Models Learn to Forecast Stock Prices
• Title（参考訳）: 言語モデルで株価を予測できるか
• Abstract要約: ポストトレーニングでは、検証可能な結果のタスクにおける言語モデルの性能が大幅に向上することが示されている。 ポストトレーニングは、財務予測性能を大幅に改善できることを示す。
• 参考スコア（独自算出の注目度）: 64.57057883175987
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Post-training has been shown to significantly improve language models' performance on tasks with verifiable outcomes, including mathematical reasoning, software engineering, and computer use. However, whether the same approach can improve forecasting in financial markets is much less clear. Compared with tasks with verifiable outcomes, not only are realized returns noisy, but even what constitutes a relevant information set for making effective predictions is not obvious a priori: the model must decide which observations to gather and then commit to a numerical judgment before the outcome is known. We study this question in a chronological stock-price sandbox, where a language model gathers price, volume, relative-performance, and market-context evidence and predicts a future return. We post-train Qwen3-4B with supervised fine-tuning (SFT) on tool-use demonstrations, then proximal policy optimization (PPO) with a terminal reward given by the forecast score against the realized return. The resulting AURA-4B more than doubles the starting direction--magnitude score, from 20.94 to 43.31, and is comparable to frontier language models on this benchmark. Conditional magnitude agreement rises from 33.3 to 66.2, while directional accuracy changes from 62.9 to 65.4. SFT expands tool use, and PPO further increases the share of ranking and market-context queries. These results show that post-training can substantially improve financial forecasting performance, together with changes in how the model investigates the market, on this outcome-selected benchmark.
• Abstract（参考訳）: ポストトレーニングは、数学的推論、ソフトウェア工学、コンピュータ利用など、検証可能な結果のタスクにおける言語モデルの性能を大幅に改善することが示されている。 しかし、同じアプローチで金融市場の予測を改善できるかどうかは明らかになっていない。 検証可能な結果を持つタスクと比較すると、結果がうるさいだけでなく、効果的な予測を行うための関連する情報を構成するものであっても、優先順位は明らかではない。 本研究では, 言語モデルが価格, ボリューム, 相対性能, 市場コンテキストのエビデンスを収集し, 将来的なリターンを予測する, 時系列ストック価格サンドボックスを用いて, この問題を考察する。 ツール・ユース・デモの教師付き微調整(SFT)を施したQwen3-4Bの訓練後, 予測スコアが実現したリターンに対して与える終末報酬を用いて, 近似ポリシー最適化(PPO)を行った。 その結果、AURA-4Bは20.94から43.31までの開始方向のスコアを2倍以上にし、このベンチマークのフロンティア言語モデルに匹敵する。 条件等級は33.3から66.2に増加し、方向精度は62.9から65.4に変化する。 SFTはツールの利用を拡大し、PPOはさらにランキングとマーケットコンテキストクエリのシェアを増やしている。 これらの結果から, ポストトレーニングは, この結果選択ベンチマークを用いて, 市場調査方法の変化とともに, 財務予測性能を大幅に改善できることが示された。

関連論文リスト

• Reasoning through Verifiable Forecast Actions: Consistency-Grounded RL for Financial LLMs [34.87727677131385]
  本発表では、株価予測と財務的理由を検証可能な予測行動を通じて統合する、時系列のLLMであるStockR1を紹介する。 ツールコール設計に基づいて、モデルはまず、定性的市場展望の構造的かつ解釈可能な表現である予測アクションを出力する。 そこでは、回答の妥当性、予測精度、生成したアクション間の一貫性と観察された時系列のダイナミクスを共同で反映する。
  論文  参考訳（メタデータ） (2026-05-21T04:09:16Z)
• Forecasting Future Language: Context Design for Mention Markets [81.25011140991566]
  我々は、参照市場における正確な予測を支援するために、入力コンテキストをどのように設計するかを検討する。 1 より豊かなコンテキストは予測性能を継続的に改善し、(2)市場条件付きプロンプト(MCP)は事前の市場確率を扱い、テキストによる証拠を用いてそれを更新し、より良いキャリブレーションの予測を得る、(3)市場確率とMCP(MixMCP)の混合が市場ベースラインを上回っている、という3つの洞察を得た。
  論文  参考訳（メタデータ） (2026-02-04T12:43:31Z)
• Adaptive Financial Sentiment Analysis for NIFTY 50 via Instruction-Tuned LLMs , RAG and Reinforcement Learning Approaches [1.9116784879310027]
  金融感情分析における既存の研究は、株価や市場のフィードバックが感情分析に与える影響を考慮していない。 本研究では,大規模言語モデル(LLM)と現実世界の市場フィードバックを統合し,感情分類を改善する適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-23T06:27:12Z)
• Harnessing Earnings Reports for Stock Predictions: A QLoRA-Enhanced LLM Approach [6.112119533910774]
  本稿では、命令ベースの新しい手法と量子化低ランク適応(QLoRA)圧縮を組み合わせることで、LLM(Large Language Models)命令を微調整することで、高度なアプローチを提案する。 近年の市場指標やアナリストの成績等「外部要因」を統合して、リッチで教師付きデータセットを作成する。 この研究は、最先端のAIを微調整された財務データに統合する能力を実証するだけでなく、AI駆動の財務分析ツールを強化するための将来の研究の道を開く。
  論文  参考訳（メタデータ） (2024-08-13T04:53:31Z)
• 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。