論文の概要: Reading the News Without Hindsight: NoLBERT Topics and the Cross-Section of Stock Returns
- arxiv url: http://arxiv.org/abs/2610.22745v1
- Date: Thu, 15 Oct 2026 23:27:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.698117
- Title: Reading the News Without Hindsight: NoLBERT Topics and the Cross-Section of Stock Returns
- Title（参考訳）: NoLBERTトピックスと株価リターンのクロスセクション
- Abstract要約: 1976年から1995年にかけて出版されたテキストにのみ事前訓練されたエンコーダであるNoLBERTからニューストピックを構築した。
2012年から2024年にかけて、LDA、MiniLM、FinBERTの読者126万記事と比較した。
NoLBERTは、LDAと同様に最も安定したトピックと予測を提供する。
- 参考スコア（独自算出の注目度）: 0.39146761527401436
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Language models that read financial news are usually trained on text from the same years used to test them, so a backtest can reward hindsight. We build news topics from NoLBERT, an encoder pretrained only on text published between 1976 and 1995, adapted into a sentence encoder by contrastive fine-tuning on passages of the same article, with no labels or returns. We compare it with LDA, MiniLM and FinBERT readers on 1.26 million articles from 2012 to 2024, convert each reader's topics into attention shocks and stock exposures, and forecast the returns of the 1,000 largest US stocks with eight models at three rebalancing frequencies. Models are fitted on 2013-2019, choices are made on 2020-2021, and 2022-2024 is held out. The experiment with the best validation score loses money at every frequency. Measuring attention shocks against the past 63 trading days instead of 5 raises the test rank IC of every reader. NoLBERT gives the most stable topics and forecasts about as well as LDA. An equal-weight combination of all readers and models earns a monthly net Sharpe ratio of 1.12, significant against zero before adjusting for the search but not against a price-only benchmark.
- Abstract（参考訳）: 金融ニュースを読む言語モデルは、通常、テストに使用されたのと同じ年のテキストで訓練されるため、バックテストは後見に報いることができる。
我々は、1976年から1995年にかけて出版されたテキストにのみ事前訓練されたエンコーダであるNoLBERTからニューストピックを構築する。
2012年から2024年にかけて、LDA、MiniLM、FinBERTの読者の126万記事と比較し、各読者の話題を注目のショックや株価の暴露に変換し、また3つのリバランシング周波数で8つのモデルを持つ米国最大の1000株のリターンを予測した。
2013-2019年モデル、2020-2021年モデル、2022-2024年モデル。
最高のバリデーションスコアを持つ実験は、すべての頻度でお金を失う。
過去63日間のトレーディングデイに対する注意ショックを5日ではなく測定すると、すべての読者のICが上昇する。
NoLBERTは、LDAと同様に最も安定したトピックと予測を提供する。
すべての読者とモデルの等重量の組み合わせは、月々のシャープ比が1.12であり、検索を調整する前にゼロに対して有意であるが、価格のみのベンチマークには反対しない。
関連論文リスト
- Automated Summarization of Financial News Using Large Language Models and Retrieval-Augmented Generation: An Early Empirical Study (Fall 2023) [0.9821874476902969]
株式市場のアナリストや投資家は日々の課題に直面している。
このプロジェクトでは、大規模言語モデルがこのプロセスを確実に自動化できるかどうかについて検討する。
論文 参考訳（メタデータ） (2026-08-20T00:50:37Z) - From Financial Sentiment Classification to Return Predictability: A QLoRA Benchmark of Large Language Models [0.0]
5つの財務テキストデータセットから3クラスを統一したベンチマークを構築した。
TF-IDF Naive Bayes,off-the-the-shelf FinBERT,Financial-RoBERTaエンコーダを比較した。
一時分離した2019 Benzingaサンプルの経済妥当性を評価した。
論文 参考訳（メタデータ） (2026-08-04T19:57:40Z) - English Word Sense Disambiguation in 2026: When the Labels Become the Bottleneck [0.5621251909851629]
我々は、Maru2022のALL_NEWベンチマークの補正層として構築されたWSD評価ベンチマークであるlexENをリリースする。
レキセン-v1では、フロンティアのLSMは95%近く(ベスト、95.6%)収束し、上位3つの家系は統計的に区別できない。
修復されたラベルをトレーニングした298MのバイエンコーダであるGlite LENSとラバー付きコーパスをリリースする。
論文 参考訳（メタデータ） (2026-07-19T23:24:30Z) - Machine Learning Research Has Outpaced Its Communication Norms and NeurIPS Should Act [4.3801110894274]
機械学習の研究は指数関数的に増加しているが、そのコミュニケーション規範はそうではない。
NeurIPSは明示的で測定可能な書き込み標準を採用するべきだ、と私たちは主張する。
我々は280万のarXiv論文(1991-2025)、24,772のNeurIPS論文(1987-2024)、および24.5万のPubMed論文(1990-2025)を分析した。
我々はNeurIPS 2027でNeurIPSがパイロットできる7つの標準を提案する。
論文 参考訳（メタデータ） (2026-05-09T11:13:21Z) - 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) - One Thousand and One Pairs: A "novel" challenge for long-context language models [56.60667988954638]
NoChaは、67冊の架空の書籍に関する1,001対の真偽の主張のデータセットである。
当社のアノテータは、NoChaにおけるペアの最大シェアは、本全体に対するグローバルな推論を必要としていることを確認しています。
平均的なモデルでは、文レベルの検索しか必要としないペアの方が、グローバルな推論よりもはるかに優れています。
論文 参考訳（メタデータ） (2024-06-24T02:03:57Z) - Reasons to Reject? Aligning Language Models with Judgments [72.39858230784002]
言語フィードバックを用いた大規模言語モデル(LLM)の整合性について検討する。
本稿では,不適切なコンテンツ検出と判断に基づく修正が可能なコントラスト型異種訓練(Contrastive Unlikelihood Training, CUT)を提案する。
以上の結果から,CUTは175BのDaVinci003を破り,AlpacaEvalの50.84ポイントを達成できた。
論文 参考訳（メタデータ） (2023-12-22T10:29:43Z) - Forecasting Cryptocurrency Returns from Sentiment Signals: An Analysis
of BERT Classifiers and Weak Supervision [6.624726878647541]
我々は、テキストデータがラベル付けされていない問題に対処するための、最近提案されたNLPアプローチである弱い学習を導入する。
弱いラベルを用いた微調整は、テキストベースの特徴の予測値を高め、暗号通貨のリターンを予測する文脈で予測精度を高めることを確認した。
より根本的には、我々が提示するモデリングパラダイム、弱いラベル付けドメイン固有テキスト、微調整済みNLPモデルは、(金融)予測において普遍的に適用可能である。
論文 参考訳（メタデータ） (2022-04-06T07:45:05Z) - 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)
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。