論文の概要: Momentum, Commentary Tone, and Earnings Surprise in LLM Financial Forecasts
- arxiv url: http://arxiv.org/abs/2610.22043v1
- Date: Thu, 15 Oct 2026 15:14:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 06:09:33.143298
- Title: Momentum, Commentary Tone, and Earnings Surprise in LLM Financial Forecasts
- Title（参考訳）: LLMファイナンシャル・予測、モメンタム、コメンタリー・トーン、予想上回る
- Abstract要約: 我々は,20日間のモーメント,非情報的コメント調,固定された実EPSが操作されたコンセンサスを上回ったかどうかを独立に逆転する合成収益発表を構築した。
このデザインには、24ブロックの数値ブロック、6つのコメンタリーペア、利益と損失、毎年のEPSの上昇と減少、2つのサプライズサイズが含まれている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Which inputs drive a language model's financial forecast? We construct synthetic earnings announcements that independently reverse 20-day momentum, non-informational commentary tone, and whether fixed actual EPS beats a manipulated consensus. Six instruction/chat checkpoint conversions from four families (0.49-7.61B base parameters) receive 2,016 prompts each under a direct-answer Q8_0 protocol. The design includes 24 numerical blocks, six commentary pairs, profits and losses, rising and falling annual EPS, and two surprise sizes. Both A/B answer assignments and U/D cover all 384 primary scenarios per conversion. We estimate matched changes in conditional answer-prefix scores, not calibrated market probabilities. Across these checkpoints, the primary EPS contrast ranges from -0.19 to 86.80 percentage points. The magnitude of the primary signed tone contrast exceeds that of EPS in 5 of six models, and momentum exceeds it in 5. Natural-word numerical diagnostic accuracy ranges from 51.0 to 95.8 percent. Answer-encoding, wording, context, and conversion controls qualify these results. The experiment measures observable input reliance and numerical recognition; it establishes neither an internal reasoning mechanism nor realized return predictability. Public benchmark prompts, recorded scores, and an interactive recorded-results explorer accompany the study.
- Abstract（参考訳）: どの入力が言語モデルの財務予測を促進するのか?
我々は,20日間のモーメント,非情報的コメント調,固定された実EPSが操作されたコンセンサスに勝るか否かを独立に逆転する合成収益発表を構築した。
4つのファミリ(0.49-7.61Bベースパラメータ)からの6つの命令/チャットチェックポイント変換は、2,016のプロンプトをそれぞれ直接応答Q8_0プロトコルで受信する。
このデザインには、24ブロックの数値ブロック、6つのコメンタリーペア、利益と損失、毎年のEPSの上昇と減少、2つのサプライズサイズが含まれている。
A/Bの回答代入とU/Dは、変換毎に384の主シナリオをカバーする。
マーケットのキャリブレーションではなく,条件付き回答-事前修正スコアの一致した変化を推定した。
これらのチェックポイント全体で、主要なEPSコントラストは-0.19から86.80ポイントである。
一次符号音のコントラストは6モデル中5モデルでEPSのコントラストを超え、モーメントは5モデルでそのコントラストを超える。
自然言語の診断精度は51.0から95.8%である。
Answer-encoding, wording, context, and conversion control はこれらの結果を検証する。
この実験は、観測可能な入力依存度と数値認識を測定し、内部推論機構も、返却予測可能性も確立しない。
公開ベンチマークのプロンプト、記録されたスコア、対話的な記録-反感の探検家がこの研究に同行している。
関連論文リスト
- MultiPartyTurnBench: Benchmarking Floor Control in Multi-Party Spoken Dialogue [67.07361089429757]
本研究では, 主観的ターンテイクや終末行動について検討するが, 真のフロア・トランジションの統一的評価を, 難易度の高い非パーティ・セッティングに対して検討する。
我々は、240個の合成されたチャネル分離会話のベンチマークであるMultiPartyTurnBench (MPTB) について紹介する。
学習システムは82.2.6%のEOTリコールを4.3-11.8%の偽陽性率で達成し、Interruption (INT) 検出は失敗したテイクオーバーや過剰な偽のアクティベーションに悩まされる。
論文 参考訳（メタデータ） (2026-10-14T13:20:14Z) - The Company a Question Keeps: Auditing Open Jev-Style Models for Retrieval [1.9527291999895944]
Jevの文書化されたインターフェイスは、共有されたエビデンスに対して独立して型付き質問を評価する。
我々は,92のTREC検索クエリから,276のオープンなJevスタイルのチェックポイントにおいて,要求の独立性を監査する。
論文 参考訳（メタデータ） (2026-10-10T06:29:27Z) - Can Language Models Learn to Forecast Stock Prices [64.57057883175987]
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。
論文 参考訳（メタデータ） (2026-09-29T07:34:39Z) - Predictive Credit: Measuring What Scientific Explanations Add to Experimental Forecasts [0.7460935829208671]
5つのチェックはコミットメント、デリバリ、予測ゲイン、アライメント、既知の信号の取り込みを追跡する。
Tox21のROC AUCインターバルスコアハーネステストは未使用であった。
OpenMLのジョイントフォーメーション、ポイント等価性、リピータビリティルールは未完成であった。
論文 参考訳（メタデータ） (2026-09-29T00:36:26Z) - Greedy Decoding Is Not Precision-Invariant: Cross-Precision Output Divergence in LLM Inference [13.137699166830322]
大規模言語モデルからのグレディ復号は、一般に決定論的として扱われる。
同一のモデル,プロンプト,デコードアルゴリズムは同一のハードウェア上で,BF16とFP16の異なる出力を生成する。
実験により,22層に蓄積したボディーエラーは,浮動小数点数と浮動小数点数とを区別しないことがわかった。
論文 参考訳（メタデータ） (2026-09-22T15:54:16Z) - TimeLitmus: A Diagnostic Benchmark for Cross-Modal Understanding and Explanation Faithfulness in Event-Conditioned Time-Series Prediction [48.104261148149654]
TimeLitmusは、イベント条件付き時系列予測における相互理解と忠実さの説明のための診断ベンチマークである。
TimeLitmusには財務と交通の計4,856件の評価記録がある。
論文 参考訳（メタデータ） (2026-09-21T14:38:49Z) - OSCAR: Order-aware Scoring and Calibration for AI Rankings [5.827674099587138]
我々は、AIランキングのスコア付けと校正のための秩序対応フレームワークであるOSCARを紹介する。
18人の評価者による公表された判定では、A-minus-Bスコアの差は-63.11ドルから9,8.31ドルまで様々である。
感度に基づく格付けを判断対象の位置、長さ、家族用語で拡張し、局所的な排便誘発変位と識別障害を特徴付けるとともに、調整された比較にプロンプト・クラスタの不確実性を伝達する。
論文 参考訳（メタデータ） (2026-09-21T05:30:16Z) - Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。
個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。
構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
論文 参考訳（メタデータ） (2026-05-15T17:08:27Z) - ContraPrompt: Contrastive Prompt Optimization via Dyadic Reasoning Trace Analysis [0.6372261626436676]
ContraPromptは、モデルが失敗してもフィードバックで再試行を成功させる場合、その差が最適化信号を構成するという観測に基づいて構築される。
従来のコントラスト法とは異なり、完全な中間的推論過程を比較する。
ContraPromptは11日にGEPAを41で破り、同じ予算で1で敗れた。
論文 参考訳（メタデータ） (2026-04-20T08:17:15Z) - The Autocorrelation Blind Spot: Why 42% of Turn-Level Findings in LLM Conversation Analysis May Be Spurious [35.76482964927589]
202のマルチターン会話における66のターンレベルメトリクスの自己相関構造を特徴付ける。
標準プールテストでは,42%のアソシエーションがクラスタ・ロバスト補正に成功しなかった。
我々は、Chelton (1983) の有効自由度と会話レベルのブロックブートストラップを組み合わせた2段階補正フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-15T20:54:39Z) - RecGPT-V2 Technical Report [41.57739441038769]
大規模言語モデル(LLM)は、暗黙の行動パターンマッチングから明示的な意図推論へ、レコメンデータシステムを変換する大きな可能性を示している。
提案するRecGPT-V2には,暗黙的な行動パターンマッチングから明示的な意図推論へ,レコメンデータシステムを変換する4つの重要なイノベーションがある。
タオバオのオンラインA/Bテストでは、+2.98% CTR、+3.71% IPV、+2.19% TV、+11.46% NERが大幅に改善された。
論文 参考訳（メタデータ） (2025-12-16T15:40:44Z)
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。