論文の概要: From SEC Filings to Financial Signals: Evaluating LLMs on Stock Market Reactions and Analyst Forecasts

• arxiv url: http://arxiv.org/abs/2610.24268v1
• Date: Fri, 16 Oct 2026 21:54:49 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 11:46:58.559581
• Title: From SEC Filings to Financial Signals: Evaluating LLMs on Stock Market Reactions and Analyst Forecasts
• Title（参考訳）: SECファイリングから金融シグナルへ-株式市場のリアクションとアナリスト予測に基づくLLMの評価
• Abstract要約: MD&Aセクションは、長期管理物語と会計情報と前方情報を組み合わせている。 ファイナンシャルファイリングのベンチマークは、質問応答や数値推論を一般的に評価する。 我々は2001年から2024年までの45,964のForm 10-Q申請イベントにおいて、13の汎用および金融特化LDMからのゼロショット出力を評価した。
• 参考スコア（独自算出の注目度）: 11.855849761898577
• License:
• Abstract: Form 10-Q MD&A sections combine long-form management narrative with accounting and forward-looking information. Benchmarks for financial filings commonly evaluate question answering or numerical reasoning, leaving unclear whether outputs from large language models (LLMs) align with market and analyst outcomes. We evaluate prompted, zero-shot outputs from 13 general-purpose and finance-specialized LLMs on 45,964 Form 10-Q filing events from 2001 to 2024, linking MD&A text to cross-sectional fundamental ranks, pre-filing analyst forecasts, and realized abnormal returns. The evaluation covers return ranking under five controlled information views and next-quarter EPS forecasting under direct and consensus-anchored interfaces. Relative to disclosure alone, adding cross-sectional fundamental ranks raises mean effective-date rank correlation (RankIC) by 0.0089 for effective-event-date returns and 0.0098 for following-day returns, whereas analyst-summary context provides no comparable average gain. Across the four disclosure-containing views, finance-specialized models show an effective-event-date group advantage but no statistically reliable following-day advantage, while general-purpose Qwen models produce the strongest individual return-ranking results. Under the full-information view, direct LLM forecasts average the 43.4th percentile of the analyst distribution and do not consistently beat individual analysts. Consensus anchoring raises the mean inside-range share from 41.1% to 59.5% but increases reported-EPS error.
• Abstract（参考訳）: フォーム10-Q MD&Aセクションは、長期管理物語と会計情報と前方情報を組み合わせている。 ファイナンシャル・ファイリングのベンチマークでは、質問応答や数値推論を評価し、大きな言語モデル(LLM)からのアウトプットが市場やアナリストの結果と一致しているかどうかがはっきりしないままである。 その結果,2001年から2024年までの45,964 Form 10-Q イベントにおいて,13の汎用および財務特化 LLM からゼロショットアウトプットを評価し,MD&A テキストを横断的基本ランクにリンクし,予測予測を前処理し,異常リターンを実現した。 評価では、5つの制御された情報ビューと、直接的および合意的インターフェースの下での次四半期のEPS予測に基づいて、リターンランキングをカバーしている。 開示のみとは対照的に、横断的な基本的なランクを追加することで、有効期限のリターンは0.0089、翌日のリターンは0.0098、一方、アナリストの土次文脈では同等の平均利得は得られない。 情報開示を含む4つの見解全体では、金融特化モデルでは効果のあるグループ優位性を示すが、統計的に信頼性のある後日優位性は示さない。 全情報ビューでは、直接LLM予測はアナリスト分布の43.4パーセントの平均であり、個々のアナリストを常に上回るものではない。 コンセンサスアンカーは、内部のシェアを41.1%から59.5%に引き上げるが、報告されたEPSエラーは増加する。

関連論文リスト

• 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)
• Federated Ensemble Forecasting Under Supply-Chain Market Volatility [0.0]
  サプライチェーン予測システムは、市場ショック、特定されていない地域需要、商業データの集中化への限定的な意志の下で、ますます運用されている。 本研究は,クライアントノード間の予測専門家を訓練し,冗長なモデルエラーを回避する分散手法であるFederated Ensemble Forecasting with Negative-Correlation Learning (FEF NCL)を提案する。 このフレームワークは、時間的特徴エンコーダ、クライアントレベルのドリフトスコアリング、信頼性の高い集約、および各予測に最も責任のある市場およびサプライヤー変数を公開する説明能力レイヤを組み合わせる。
  論文  参考訳（メタデータ） (2026-08-05T20:15:41Z)
• Reasoning through Verifiable Forecast Actions: Consistency-Grounded RL for Financial LLMs [34.87727677131385]
  本発表では、株価予測と財務的理由を検証可能な予測行動を通じて統合する、時系列のLLMであるStockR1を紹介する。 ツールコール設計に基づいて、モデルはまず、定性的市場展望の構造的かつ解釈可能な表現である予測アクションを出力する。 そこでは、回答の妥当性、予測精度、生成したアクション間の一貫性と観察された時系列のダイナミクスを共同で反映する。
  論文  参考訳（メタデータ） (2026-05-21T04:09:16Z)
• Your AI, Not Your View: The Bias of LLMs in Investment Analysis [62.388554963415906]
  金融において、Large Language Models (LLMs) は、事前訓練されたパラメトリック知識とリアルタイム市場データとの相違から生じる、頻繁な知識紛争に直面している。 これらの対立は、モデル固有のバイアスが制度的目的と誤認される現実世界の投資サービスにおいて特に問題となる。 本研究では,このような紛争シナリオにおける創発的行動を調べるための実験的枠組みを提案し,投資分析におけるバイアスの定量的分析を行う。
  論文  参考訳（メタデータ） (2025-07-28T16:09:38Z)
• Predicting Liquidity-Aware Bond Yields using Causal GANs and Deep Reinforcement Learning with LLM Evaluation [0.0]
  我々は4つの主要結合カテゴリ(AAA、BAA、US10Y)の高忠実な合成結合収率データを生成する。 我々は、取引信号、リスク評価、ボラティリティ予測を生成する微調整されたLarge Language Model (LLM) Qwen2.5-7Bを採用している。 強化学習による合成データ生成は、平均絶対誤差が0.103に達し、実世界の債券市場のダイナミクスを複製する効果を実証する。
  論文  参考訳（メタデータ） (2025-02-24T09:46:37Z)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [48.87381259980254]
  我々は、ChatGPTのような大規模言語モデル(LLM)が、直接の金融トレーニングなしでニュースの見出しから株式市場の反応を予測する能力について文書化している。 GPT-4は、認識後カットオフの見出しを使って、最初の市場の反応を捉え、取引不能な初期反応に対して、ポートフォリオの1日当たりのヒット率を約90%達成している。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)
• Feature Learning for Stock Price Prediction Shows a Significant Role of Analyst Rating [0.38073142980733]
  5つの技術的指標と23の基本的な指標が特定され、株式市場で過剰なリターンを生み出す可能性を確立した。 いずれの日でも、将来的には、価格変化の方向を1%から10日間まで予測することができました。 予測の精度は83.62%で、購入信号の精度は85%、販売信号のリコールは100%であった。
  論文  参考訳（メタデータ） (2021-03-13T03:56:29Z)

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。