論文の概要: Code-Interactive Visual Reasoning for Financial Candlestick Understanding

• arxiv url: http://arxiv.org/abs/2610.16587v1
• Date: Mon, 12 Oct 2026 11:07:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 22:24:20.243849
• Title: Code-Interactive Visual Reasoning for Financial Candlestick Understanding
• Title（参考訳）: ファイナンシャルキャンドルスティック理解のためのコード対話型ビジュアル推論
• Abstract要約: 金融ロウソクの理解には、視覚的要素の配置、取引日時とパネル間の整列、数値的および財政的推論による観察の組み合わせが必要である。 本稿では,コード-対話型ファイナンシャルキャンドルスティック推論とFin-Thinkerについて紹介する。
• 参考スコア（独自算出の注目度）: 22.372230452182308
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Financial candlestick understanding requires locating visual elements, aligning them across trading dates and panels, and combining observations through numerical and financial reasoning. Answer accuracy alone does not reveal whether predictions are supported by chart evidence. We introduce Code-Interactive Financial Candlestick Reasoning and present Fin-Thinker, a model based on Qwen3.5-9B that generates and executes code to acquire evidence and perform computations. The model uses the returned observations to guide subsequent reasoning. To train these capabilities, we construct FinKLine-32K with 32,184 replay-verified code-observation trajectories collected through teacher-guided student exploration. These include successful solutions with and without error recovery. Our three-stage training framework combines foundational visual-code fine-tuning, financial process supervision of successful reasoning and corrective continuations, and execution-feedback reinforcement learning. For evaluation, we introduce FinKLineBench with 1,200 questions across 138 financial task types to assess answer correctness, code execution, and evidence grounding separately. On FinKLineBench, Fin-Thinker improves strict accuracy by 13.1 and 33.2 percentage points over the best-performing direct-answer baseline among those evaluated and its base model with sandbox access, respectively. Training-stage ablations further show that financial process supervision and execution-feedback reinforcement learning yield successive improvements in both answer accuracy and GPT-5.6-judged grounded accuracy.
• Abstract（参考訳）: 金融ロウソクの理解には、視覚的要素の配置、取引日時とパネル間の整列、数値的および財政的推論による観察の組み合わせが必要である。 答えの精度だけでは、チャートの証拠によって予測が支持されるかどうかを明らかにしない。 本稿では,Qwen3.5-9Bに基づくモデルであるFin-ThinkerとCode-Interactive Financial Candlestick Reasoningを紹介する。 モデルでは、返された観測を使ってその後の推論を導く。 これらの能力を訓練するために,教師指導の学生探索を通じて収集した32,184個のリプレイ検証符号-観測軌道を用いたFinKLine-32Kを構築した。 これには、エラーリカバリなしで成功したソリューションが含まれる。 私たちの3段階のトレーニングフレームワークは、基礎的なビジュアルコードの微調整、推論と修正継続の財務プロセスの監督、実行フィードバック強化学習を組み合わせています。 評価のために、FinKLineBenchを導入し、128の財務タスクタイプに対して1200の質問を行い、回答の正当性、コード実行、エビデンスを別々に評価する。 FinKLineBenchにおいて、Fin-Thinkerは、評価対象とサンドボックスアクセス対象のベースモデルのうち、最も優れたダイレクト・アンサーベースラインに対して、13.1ポイントと33.2ポイントの厳密な精度を向上する。 訓練段階の短縮は、金融プロセスの監督と実行フィードバック強化学習が、回答精度と GPT-5.6-judged 基底精度の両方を連続的に改善することを示している。

関連論文リスト

• Data-Centric Post-Training for Financial Reasoning: Mining, Distillation, and Verifiable Learning [0.3728263002609659]
  既存のQAペアには、明確な推論、十分なコンテキスト、あるいは確実に検証可能な回答が欠けていることが多い。 オープンソース推論トレースをマイニングすることで補完的なコーパスを構成するデータ中心パイプラインを提案する。 FINESSE-Benchを用いて適応言語モデルの評価を行い,その開始チェックポイントに対する集計性能と変化を報告する。
  論文  参考訳（メタデータ） (2026-09-09T12:46:33Z)
• FinTradeBench: A Financial Reasoning Benchmark for LLMs [3.2342681547638796]
  FinTradeBenchは、会社のファンダメンタルズとトレーディングシグナルを統合する、財務的推論を評価するためのベンチマークである。 FinTradeBenchには、NASDAQ-100企業で10年の歴史の窓から1,400の質問が寄せられている。
  論文  参考訳（メタデータ） (2026-03-19T17:59:41Z)
• From Comprehension to Reasoning: A Hierarchical Benchmark for Automated Financial Research Reporting [19.0993436440595]
  FinReasoningは、中国のリサーチレポート生成を3段階に分解するベンチマークだ。 評価結果に基づいて、FinReasoningはほとんどのモデルが理解と実行のギャップを示すことを示した。
  論文  参考訳（メタデータ） (2026-02-25T13:44:58Z)
• XFinBench: Benchmarking LLMs in Complex Financial Problem Solving and Reasoning [28.967959142733903]
  金融問題の解決における大規模言語モデルの能力を評価するための新しいベンチマークであるXFinBenchを紹介する。 O1は67.3%の精度で最高性能のテキストのみのモデルであるが、それでも12.5%の人間専門家にはかなり遅れている。 我々は,知識増強分析のための3,032の財務用語を持つ知識銀行を構築し,関連する知識が小さなオープンソースモデルに一貫した精度の向上をもたらすことを発見した。
  論文  参考訳（メタデータ） (2025-08-20T15:23:35Z)
• FinChain: A Symbolic Benchmark for Verifiable Chain-of-Thought Financial Reasoning [82.7292329605713]
  FinChainは、ファイナンスにおける検証可能なChain-of-Thought評価のために特別に設計された最初のベンチマークである。 12の金融ドメインに58のトピックがあり、それぞれがパラメータ化されたシンボリックテンプレートと実行可能なPythonトレースで表現されている。 FinChainは、多段階の財務推論における永続的な弱点を明らかにし、信頼できる、解釈可能な、検証可能な金融AIを開発するための基盤を提供する。
  論文  参考訳（メタデータ） (2025-06-03T06:44:42Z)
• 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)
• 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)
• FinBen: A Holistic Financial Benchmark for Large Language Models [75.09474986283394]
  FinBenは、24の財務タスクにまたがる36のデータセットを含む、最初の大規模なオープンソース評価ベンチマークである。 FinBenは、幅広いタスクとデータセット、ストックトレーディングの最初の評価、新しいエージェントと検索可能な生成(RAG)の評価、およびテキスト要約、質問応答、株式トレーディングのための3つの新しいオープンソース評価データセットを提供する。
  論文  参考訳（メタデータ） (2024-02-20T02:16:16Z)
• Training Large Language Models for Reasoning through Reverse Curriculum Reinforcement Learning [54.585428241509234]
  逆カリキュラム強化学習(RL)によるR$3の学習推論を提案する。 RLは、大規模言語モデルのプロセス監視の利点を達成するために、結果監視のみを採用する。
  論文  参考訳（メタデータ） (2024-02-08T16:46:26Z)

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。