論文の概要: Reasoning Externalization for Faithful Large Language Model Narratives of Stock Return Predictions

• arxiv url: http://arxiv.org/abs/2609.38869v2
• Date: Tue, 06 Oct 2026 09:02:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.236566
• Title: Reasoning Externalization for Faithful Large Language Model Narratives of Stock Return Predictions
• Title（参考訳）: ストックリターン予測の忠実大言語モデルナラティブの推論外化
• Abstract要約: ファイナンスにおいては、機械学習予測の解釈が不可欠であるが、説明可能なAIの数値出力は、非専門家が理解することが困難である。 本稿では,時間的シェープリー加法的説明と過去の構造的類似を結合した断面ストックリターン予測のためのLLMフレームワークを提案する。 本研究では,プログレッシブ推論の外部化を制御し,生のSHAP配列,決定論的時間記述子,特徴関係を順次提供する。
• 参考スコア（独自算出の注目度）: 10.535359856491402
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In finance, interpreting machine learning predictions is essential, yet the numerical outputs of explainable AI can be difficult for non-experts to understand. While large language models (LLMs) can translate these outputs into natural language, they may produce errors when inferring numerical changes and feature relations. We propose an LLM narrative framework for cross-sectional stock return prediction that combines temporal Shapley additive explanations (SHAP) evidence with historical regime analogs. Temporal evidence tracks changes in the normalized global SHAP importance of an XGBoost model over six months. Historical analogs are past periods with similar changes in SHAP importance, their model performance and subsequent market returns are provided as comparative context. Using this framework, we conduct a controlled study of progressive reasoning externalization, sequentially providing raw SHAP sequences, deterministic temporal descriptors, and feature relations. Each generated claim is verified against provenance-linked evidence. Across Qwen3, externalizing numerical and relational reasoning improved evidence faithfulness as well as temporal and relational accuracy. Evidence faithfulness increased from 0.696 to 0.996 for Qwen3-32B-Instruct. While historical analogs did not improve structured automatic faithfulness, they received higher human-rated usefulness scores. These results suggest that externalizing verifiable reasoning enhances narrative faithfulness and that historical context adds interpretive value.
• Abstract（参考訳）: ファイナンスにおいては、機械学習予測の解釈が不可欠であるが、説明可能なAIの数値出力は、非専門家が理解することが困難である。 大規模言語モデル(LLM)はこれらの出力を自然言語に変換することができるが、数値的な変化や特徴関係を推測するとエラーが発生する可能性がある。 本稿では,時間的シャプリー加法的説明(SHAP)証拠と過去の構造的類似を結合した断面ストックリターン予測のためのLCM物語フレームワークを提案する。 時間的証拠は、XGBoostモデルにおける正規化されたグローバルSHAPの重要性の変化を6ヶ月にわたって追跡する。 歴史的アナログはSHAPの重要度に類似した変化がある過去の時代であり、そのモデル性能とその後の市場リターンは比較文脈として提供される。 このフレームワークを用いて、プログレッシブ推論の外部化を制御し、生のSHAPシーケンス、決定論的時間記述子、特徴関係を順次提供する。 各クレームは、証明にリンクした証拠に対して検証される。 Qwen3全体では、数値的およびリレーショナル推論の外部化は、時間的およびリレーショナルの正確性と同様に、証拠の忠実性を改善した。 証拠忠実度はQwen3-32B-Instructで0.696から0.996に増加した。 歴史的アナログは構造的自動忠実度を向上しなかったが、高い人格的有用度スコアが得られた。 これらの結果は,検証可能な推論の外部化が物語の忠実性を高め,歴史的文脈が解釈的価値を高めることを示唆している。

関連論文リスト

• When Text and Numbers Disagree: Evidence Arbitration in Large Language Models [19.706567923492006]
  大きな言語モデル(LLM)は、テキストの要約、数値的な観察、および外部ツール出力が矛盾する証拠を提供するような環境で、ますます使われている。 我々は,LLMがこれらのソース間の仲裁をどのように行うかを検討する。
  論文  参考訳（メタデータ） (2026-08-20T14:48:30Z)
• Using LLMs for Explainable, Data-Driven Insight Generation from Time Series [1.4656201740804355]
  時系列予測のための接地型自然言語説明生成のためのドメインに依存しないフレームワークを提案する。 このフレームワークは, (i) 歴史的アナリストによる説明書からの構造化説明因子の抽出, (ii) 証拠条件による説明生成, (iii) 可読性, 論理的整合性, 説得性に関するスケーラブルな評価の3つの構成要素から構成される。
  論文  参考訳（メタデータ） (2026-06-04T21:20:24Z)
• Counterfactual reasoning: an analysis of in-context emergence [57.118735341305786]
  我々は、言語モデルが反実的推論が可能なことを示す。 自己注意、モデル深度、トレーニング済みデータの多様性によってパフォーマンスが向上することがわかった。 以上の結果から, SDE 動態下での反実的推論が可能となった。
  論文  参考訳（メタデータ） (2025-06-05T16:02:07Z)
• XForecast: Evaluating Natural Language Explanations for Time Series Forecasting [72.57427992446698]
  時系列予測は、特に正確な予測に依存するステークホルダーにとって、意思決定を支援する。 伝統的に説明可能なAI(XAI)メソッドは、機能や時間的重要性を基盤とするものであり、専門家の知識を必要とすることが多い。 時系列データにおける複雑な因果関係のため,予測NLEの評価は困難である。
  論文  参考訳（メタデータ） (2024-10-18T05:16:39Z)
• Evaluating Consistency and Reasoning Capabilities of Large Language Models [0.0]
  大規模言語モデル(LLM)は現在、学術、研究、ビジネス、金融など様々な分野で広く使われている。 広く採用されているにもかかわらず、これらのモデルはしばしば誤った誤解を招く情報を生み出し、幻覚の傾向を示す。 本稿では,パブリックおよびプロプライエタリLLMの整合性と推論能力を評価・比較することを目的とする。
  論文  参考訳（メタデータ） (2024-04-25T10:03:14Z)
• Generic Temporal Reasoning with Differential Analysis and Explanation [61.96034987217583]
  時間差分解析でギャップを埋めるTODAYという新しいタスクを導入する。 TODAYは、システムがインクリメンタルな変化の効果を正しく理解できるかどうかを評価する。 共同学習においてTODAYの指導スタイルと説明アノテーションが有効であることを示す。
  論文  参考訳（メタデータ） (2022-12-20T17:40:03Z)

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。