論文の概要: XForecast: The KDD 2026 Finance Day Challenge on News-Grounded Financial Forecasting

• arxiv url: http://arxiv.org/abs/2610.16131v1
• Date: Mon, 12 Oct 2026 03:48:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 07:29:53.12138
• Title: XForecast: The KDD 2026 Finance Day Challenge on News-Grounded Financial Forecasting
• Title（参考訳）: XForecast:KDD 2026のファイナンスデー、ニュースを取り巻く金融予測に挑戦
• Abstract要約: XForecastは、ニュース分野の財務予測のためのベンチマークとコンペティションだ。 歴史的価格データとFinTexTSで生成されたキュレートされた財務文書を組み合わせる。 2019年から2023年にかけての100銘柄をカバーし、2019年から2022年にかけてのトレーニング、2023年には評価を行っている。
• 参考スコア（独自算出の注目度）: 33.1294280613609
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Financial forecasting has traditionally relied on numerical time-series (TS) signals, while textual information such as news remains largely underutilized. We introduce XForecast, a benchmark and competition for news-grounded financial forecasting, where the task is to predict stock price movements four weeks ahead using both historical price data and paired news signals. XForecast combines stock price data with curated financial text generated using FinTexTS, a multimodal dataset generation method. It covers 100 large-cap stocks from 2019--2023, with training on 2019--2022 and evaluation on 2023. To better evaluate models that leverage textual signals, we adopt a weighted hit rate metric that places greater emphasis on instances where news information is expected to have stronger influence. The XForecast Challenge, hosted on Kaggle as part of KDD 2026 Finance Day, aims to benchmark methods for integrating financial TS and textual information.
• Abstract（参考訳）: 金融予測は伝統的に数値時系列(TS)信号に依存してきたが、ニュースなどのテキスト情報はほとんど使われていない。 我々は、過去の価格データとペアニュース信号の両方を用いて、株価の動きを4週間前に予測することを目的として、ニュースグラウンドの財務予測のためのベンチマークとコンペティションであるXForecastを紹介した。 XForecastは、株価データとFinTexTS(マルチモーダルデータセット生成法)を用いたキュレートされた財務テキストを組み合わせる。 2019年から2023年にかけての100銘柄、2019年から2022年にかけてのトレーニング、2023年までの評価をカバーしている。 テキスト信号を利用するモデルをよりよく評価するために、ニュース情報がより強い影響を期待される事例に重点を置く重み付けされたヒットレート指標を採用する。 KDD 2026 Finance Dayの一部としてKaggleで開催されているXForecast Challengeは、財務TSとテキスト情報を統合する方法のベンチマークを目的としている。

関連論文リスト

• Generalized Stock Price Prediction for Multiple Stocks Combined with News Fusion [55.80546131166094]
  本稿では,Large Language Models (LLMs) と日次金融ニュースを統合して株価予測を行う手法を提案する。 我々は,事前学習したLLMを用いてニュース記事をエンコードし,ストック関連性に基づいてニュースをフィルタリングする3つのアテンションベースプール手法を実装した。 実験の結果,平均絶対誤差(MAE)はベースラインに比べて7.11%減少した。
  論文  参考訳（メタデータ） (2026-03-08T09:05:10Z)
• Gold Price Prediction Using Long Short-Term Memory and Multi-Layer Perceptron with Gray Wolf Optimizer [1.3884247760916029]
  生市場取引のための貿易戦略が開発され、提案されたモデルは3ヶ月で171%のリターンを得た。 提案したLSTM-MLPモデルでは,平均絶対誤差(MAE)が0.21ドル,翌月価格が22.23ドルであった。
  論文  参考訳（メタデータ） (2025-12-27T14:32:31Z)
• News Sentiment Embeddings for Stock Price Forecasting [0.0]
  主な焦点は、ウォール・ストリート・ジャーナルのニュースの見出しを使って、毎日の時間スケールで株価の動きを予測することだ。 予備的な結果は、トレーニングや機械学習システムの最適化と比較して、ヘッドラインデータの埋め込みは、少なくとも40%の株価予測に大きく貢献することを示している。
  論文  参考訳（メタデータ） (2025-06-19T17:30:07Z)
• Financial Sentiment Analysis: Leveraging Actual and Synthetic Data for Supervised Fine-tuning [0.0]
  汎用言語モデルは、金融における感情分析には一般的すぎる。 我々は、短い財務文を長い財務文に導入し、フィンベルト-lcはデジタルテキストから感情を決定する。 その結果,ファイナンシャル・フレーズバンクのデータに対するf1スコアが50%,合意レベルが100%であった。
  論文  参考訳（メタデータ） (2024-12-13T04:59:50Z)
• Enhancing Financial Market Predictions: Causality-Driven Feature Selection [3.7426958478253254]
  FinSenデータセットは、197カ国の経済・金融ニュース記事と株式市場データを統合している。 本研究は、市場予測精度と信頼性を高めるために、因果検証された感情スコアとLSTMモデルを活用する。
  論文  参考訳（メタデータ） (2024-08-02T04:40:15Z)
• AlphaFin: Benchmarking Financial Analysis with Retrieval-Augmented Stock-Chain Framework [48.3060010653088]
  我々はAlphaFinデータセットをリリースし、従来の研究データセット、リアルタイム財務データ、手書きのチェーン・オブ・プリート(CoT)データを組み合わせています。 次に、AlphaFinデータセットを使用して、金融分析タスクを効果的に処理するために、Stock-Chainと呼ばれる最先端の手法をベンチマークします。
  論文  参考訳（メタデータ） (2024-03-19T09:45:33Z)
• Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
  長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。 多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。 深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。 本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-18T16:21:15Z)
• Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
  本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。 ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。 2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
  論文  参考訳（メタデータ） (2021-09-14T18:50:38Z)
• Graph-Based Learning for Stock Movement Prediction with Textual and Relational Data [0.0]
  ストックフォアキャスティングのためのマルチグラフリカレントネットワーク(MGRN)という新しいストックムーブメント予測フレームワークを提案する。 このアーキテクチャは、財務ニュースからのテキストの感情と、他の財務データから抽出された複数の関係情報を組み合わせることができる。 精度テストとSTOXX Europe 600指数の株価のトレーディングシミュレーションを通じて、我々のモデルが他のベンチマークよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-07-22T21:57:18Z)

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。