論文の概要: FinDialogLens: Event Extraction over Multi-Party Dialogue for Missed-Trade Identification in Financial Chatrooms
- arxiv url: http://arxiv.org/abs/2610.02455v1
- Date: Thu, 01 Oct 2026 20:29:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:30.078226
- Title: FinDialogLens: Event Extraction over Multi-Party Dialogue for Missed-Trade Identification in Financial Chatrooms
- Title（参考訳）: FinDialogLens:金融チャットルームにおけるミストレード識別のための多人数対話によるイベント抽出
- Abstract要約: マルチパーティの金融チャットは、セールスとトレーディングのプロフェッショナルにとって不可欠だが、その複雑さにより、失った取引を手動で回収することは不可能である。
我々はFinDialogLensについて述べる。FinDialogLensは、コンパクトな微調整型分類器が推論時の足場として機能するハイブリッドLLMパイプラインである。
GPT-4oでは、FinDialogLensは最終価格と取引結果の精度が92.1%、94.3%に達し、フルチャットのCoTプロンプトよりも優れている。
- 参考スコア（独自算出の注目度）: 0.45880283710344066
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-party financial chatrooms are vital for sales-and-trading professionals, but their complexity makes manual recovery of missed trades infeasible: each Request for Quote (RFQ) is an event whose final price and trade outcome appear many messages after the RFQ-trigger message (the inquiry message), interleaved with concurrent RFQs from other participants. We cast this as event extraction (EE) over multi-party dialogue and present FinDialogLens, a hybrid LLM pipeline in which compact fine-tuned classifiers act as inference-time scaffolds: they detect RFQ-triggers and price/trade outcome metadata, an RFQ-Level Module segments per-event RFQ windows, and a Trade Engine fills argument roles. With GPT-4o, FinDialogLens reaches 92.1% and 94.3% accuracy on final price and trade outcome, respectively, outperforming full-chatroom CoT prompting methods; fine-tuned open-source LLMs with as few as 3B parameters achieve comparable performance with modest in-domain data. To make the LLM-based solution practical at scale, a difficulty-aware router balances cost and accuracy by allocating RFQs between a low-cost rule-based engine and the higher-performing LLM-powered Trade Engine, cutting LLM calls by 85% on final price while recovering half of the accuracy gap to FinDialogLens (GPT-4o), saving over $300/day at our 70,000-RFQ/day scale.
- Abstract（参考訳）: マルチパーティの金融チャットは、販売とトレーディングのプロフェッショナルにとって不可欠だが、その複雑さは、欠落した取引を手動で回収することができない。それぞれのRFQ(Request for Quote)は、RFQ-Triggerメッセージ(問い合わせメッセージ)の後に、最終的な価格と取引結果が多くのメッセージとして現れるイベントであり、他の参加者からの同時RFQとインターリーブされている。
我々はこれをマルチパーティ対話上のイベント抽出(EE)として、FinDialogLens、コンパクトな微調整型分類器が推論時足場として機能するハイブリッドLLMパイプライン、RFQトリガーと価格/取引結果メタデータ、RFQウィンドウごとのRFQ-Levelモジュールセグメント、そしてTrade Engineが引数ロールを埋める。
GPT-4oでは、FinDialogLensは最終価格と取引結果で92.1%、94.3%の精度に達し、フルチャットルームのCoTプロンプト法より優れている。
LLMベースのソリューションを大規模に実用化するためには、低コストのルールベースエンジンと高パフォーマンスのLCM駆動のトレードエンジンとの間にRFQを割り当て、LLMコールを最終価格で85%削減し、FinDialogLens(GPT-4o)への精度ギャップの半分を回復させ、当社の70,000-RFQ/日スケールで300ドル以上節約することで、コストと精度のバランスをとる。
関連論文リスト
- MM-FinEval: A Multi-Task Multimodal Benchmark for Real-World Financial Forecasting [23.184079402371754]
MM-FinEvalは,マルチモーダルな大規模言語モデル(LLM)を複数の財務タスクで評価するための新しいベンチマークである。
提案するデータセット全体では,2,045件のS&P 500カンファレンスがインプットとしてコールされ,12のファイナンシャルタスクラベルがアウトプットとして提供される。
小型のAny-to-Anyモデルでは,大規模なプロプライエタリモデルと比較しても,3つのモードを全て処理することで高い性能が得られる。
論文 参考訳（メタデータ） (2026-09-29T20:40:42Z) - Atropos: Improving Cost-Benefit Trade-off of LLM-based Agents under Self-Consistency with Early Termination and Model Hotswap [4.950224736359097]
アトロポスは予測的な早期終了分析とホットスワップ技術である。
自己整合性(self-consistency)を利用するLCMベースのエージェントのコスト対効果のトレードオフを改善することを目的としている。
ATROPOSは閉じたLCMの性能の74.35%を達成し、コストは23.9%に過ぎなかった。
論文 参考訳（メタデータ） (2026-04-16T14:39:36Z) - Sell More, Play Less: Benchmarking LLM Realistic Selling Skill [1.1560747347923173]
SalesLLMベンチマークは、Financial ServicesとConsumer Goodsをカバーする現実的なアプリケーションから構築されている。
SalesLLMベンチマークのスコアは、専門家の人間格付けと強く相関している。
論文 参考訳（メタデータ） (2026-04-08T13:06:37Z) - Market-Bench: Benchmarking Large Language Models on Economic and Trade Competition [102.73682784993169]
本稿では,経済関連タスクにおける大規模言語モデル(LLM)の能力を評価するベンチマークであるtextbfMarket-Benchを紹介する。
我々は、LLMが商品の調達・販売を担当する小売業者として機能するマルチエージェントサプライチェーン経済モデルを構築した。
Market-Benchは入札、価格、スローガン、販売、バランスシートの完全な軌跡を記録し、経済、運用、セマンティックメトリクスによる自動評価を可能にしている。
論文 参考訳（メタデータ） (2026-04-07T07:23:51Z) - Planning without Search: Refining Frontier LLMs with Offline Goal-Conditioned RL [62.984693936073974]
大きな言語モデル(LLM)は、質問応答や対話といったタスクに優れています。
交渉や説得のような相互作用を必要とする複雑なタスクは、さらなる長期の推論と計画を必要とする。
目的条件付き値関数を用いて LLM エージェントの推論を導出する手法を提案する。
論文 参考訳（メタデータ） (2025-05-23T16:51:54Z) - FLAG-Trader: Fusion LLM-Agent with Gradient-based Reinforcement Learning for Financial Trading [28.57263158928989]
大規模言語モデル(LLM)は、マルチモーダルな財務データに基づいて微調整されている。
言語処理(LLM)と勾配駆動強化学習(RL)ポリシーの最適化を統合した統一アーキテクチャであるtextscFLAG-Traderを提案する。
論文 参考訳（メタデータ） (2025-02-17T04:45:53Z) - Open-FinLLMs: Open Multimodal Large Language Models for Financial Applications [88.96861155804935]
オープンソースのマルチモーダル金融 LLM である textitOpen-FinLLMs を紹介する。
FinLLaMAは52ビリオンのトーケンコーパス、FinLLaMA-Instructは573Kの財務命令で微調整され、FinLLaVAは1.43Mのマルチモーダルチューニングペアで強化されている。
我々は、14の財務タスク、30のデータセット、および4つのマルチモーダルタスクにわたるOpen-FinLLMをゼロショット、少数ショット、教師付き微調整設定で評価した。
論文 参考訳（メタデータ） (2024-08-20T16:15:28Z) - CatMemo at the FinLLM Challenge Task: Fine-Tuning Large Language Models using Data Fusion in Financial Applications [10.225210627594894]
IJCAI-2024 FinLLMの課題に対して,金融業務の3つの重要な領域におけるLLMの能力について検討した。
金融分類、財務文書要約、単一株式取引について検討する。
提案手法は,これらの多様なタスクを包括的かつ総合的に処理することを目的としており,LLMの多様かつ複雑な財務課題への対処能力の向上と意思決定能力の向上を図っている。
論文 参考訳（メタデータ） (2024-07-02T05:04:13Z) - Assistive Large Language Model Agents for Socially-Aware Negotiation Dialogues [47.977032883078664]
我々は,ビジネス交渉における対話者を支援する大規模言語モデル(LLM)に基づく支援エージェントを開発する。
第3のLLMは、交渉結果を改善するための基準に違反した発話を書き換える仲介役として機能する。
3つの異なる交渉トピックにわたる交渉において,その効果を示すための実証的証拠を豊富に提供する。
論文 参考訳（メタデータ） (2024-01-29T09:07:40Z) - FederatedScope-LLM: A Comprehensive Package for Fine-tuning Large
Language Models in Federated Learning [70.38817963253034]
本稿では, ファインチューニング LLM のこれらの課題について論じ, 本パッケージ FS-LLM を主な貢献として紹介する。
我々は、FLシナリオにおける将来の拡張のために、包括的フェデレーションパラメータ効率の良い微調整アルゴリズムの実装と汎用プログラミングインタフェースを提供する。
本研究では, FS-LLM の有効性を検証し, FL 設定におけるパラメータ効率の高いパラメータ調整アルゴリズムを用いて, 高度な LLM のベンチマークを行う。
論文 参考訳（メタデータ） (2023-09-01T09:40:36Z)
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。