論文の概要: FinLLM-KG: Knowledge Graph-Enhanced LLMs for Financial Sentiment Analysis in Algorithmic Trading

• arxiv url: http://arxiv.org/abs/2610.36083v1
• Date: Mon, 26 Oct 2026 18:08:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.397759
• Title: FinLLM-KG: Knowledge Graph-Enhanced LLMs for Financial Sentiment Analysis in Algorithmic Trading
• Title（参考訳）: FinLLM-KG:アルゴリズム取引における財務感性分析のための知識グラフ強化LLM
• Abstract要約: FinLLM-KGは、因果LLMと財務知識グラフを組み合わせたモデルに依存しないフレームワークである。 FinLLM-KG内では、コンテキストは自然言語の企業プロファイルとして、あるいは、関連付けされた事実トリプルの小さなセットとして提供される。 各記事レベルの感情スコアを個々の文章や検索した知識グラフの事実に当てはめると、予測の背後にある証拠を検査できる。
• 参考スコア（独自算出の注目度）: 1.6039298125810306
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in Generative AI have substantially improved financial sentiment analysis through post-trained financial large language models (LLMs). However, existing approaches remain confined to predicting the sentiment of each article in isolation and operate as black boxes, which limits contextual understanding and hinders deployment in high-stakes financial decision-making. To this end, we introduce FinLLM-KG, a model-agnostic framework that combines causal LLMs with a financial knowledge graph, in order to inject temporally grounded, company-level knowledge from SEC 10-K filings at inference time, without updating model weights. Within FinLLM-KG, context is supplied either as a natural-language company profile or as a small set of relevance-ranked factual triples. This enables sentiment predictions to account for broader firm-level information rather than the article alone, at almost zero computational cost and for any causal LLM. In addition, attributing each article-level sentiment score to individual sentences and to the retrieved knowledge-graph facts makes the evidence behind the prediction inspectable, thereby enhancing explainability and supporting human-in-the-loop review. Simulations demonstrate that FinLLM-KG consistently improves portfolio performance over the state-of-the-art baseline.
• Abstract（参考訳）: ジェネレーティブAIの最近の進歩は、訓練後の金融大言語モデル(LLM)を通じて、財務的感情分析を大幅に改善した。 しかし、既存のアプローチは、個々の記事の感情を単独で予測し、ブラックボックスとして運用することに限られており、文脈的理解を制限し、高い財務意思決定の展開を妨げる。 この目的のために、モデル重みを更新することなく、SEC 10-K の申請書から時間的に根底から企業レベルの知識を注入するために、因果的 LLM と財務知識グラフを組み合わせたモデル非依存のフレームワーク FinLLM-KG を導入する。 FinLLM-KG内では、コンテキストは自然言語の企業プロファイルとして、あるいは、関連付けされた事実トリプルの小さなセットとして提供される。 これにより、感情予測は、記事のみでなく、より広範なファームレベル情報、ほぼゼロの計算コスト、あらゆる因果LLMを考慮できる。 さらに、各記事レベルの感情スコアを個々の文章や検索した知識グラフ事実に付与することにより、予測の背後にある証拠を検査可能とし、説明可能性を高め、ループ内レビューを支援する。 シミュレーションにより、FinLLM-KGは最先端のベースラインよりも一貫してポートフォリオパフォーマンスを向上させることが示されている。

関連論文リスト

• FinSight: Towards Real-World Financial Deep Research [68.31086471310773]
  FinSightは、高品質でマルチモーダルな財務報告を作成するための新しいフレームワークである。 プロフェッショナルグレードの可視化を確保するため,反復視覚強調機構を提案する。 2段階のBinging Frameworkは、簡潔な分析セグメントをコヒーレント、引用認識、マルチモーダルレポートに拡張する。
  論文  参考訳（メタデータ） (2025-10-19T14:05:35Z)
• RAG-IT: Retrieval-Augmented Instruction Tuning for Automated Financial Analysis [1.2891210250935148]
  RAG-IT(Retrieval-Augmented Instruction Tuning)は、業績報告の自動作成を目的とした新しいフレームワークである。 提案手法は,検索強化と命令ベースファインチューニングを統合し,現実的精度,文脈的妥当性,ドメイン適応性を向上する。
  論文  参考訳（メタデータ） (2024-12-11T08:09:42Z)
• Advancing Anomaly Detection: Non-Semantic Financial Data Encoding with LLMs [49.57641083688934]
  本稿では,Large Language Models (LLM) 埋め込みを用いた財務データにおける異常検出の新しい手法を提案する。 実験により,LLMが異常検出に有用な情報をもたらし,モデルがベースラインを上回っていることが確認された。
  論文  参考訳（メタデータ） (2024-06-05T20:19:09Z)
• 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)
• 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)
• Enhancing Financial Sentiment Analysis via Retrieval Augmented Large Language Models [11.154814189699735]
  大規模な言語モデル (LLM) は様々なNLPタスクにおいて優れた性能を示した。 本稿では,金融感情分析のためのLLMフレームワークを提案する。 提案手法の精度は15%から48%向上し,F1得点を得た。
  論文  参考訳（メタデータ） (2023-10-06T05:40:23Z)
• Instruct-FinGPT: Financial Sentiment Analysis by Instruction Tuning of General-Purpose Large Language Models [18.212210748797332]
  本稿では,これらの問題に対処する簡易かつ効果的な命令チューニング手法を提案する。 実験では, 最先端の教師付き感情分析モデルより優れていた。
  論文  参考訳（メタデータ） (2023-06-22T03:56:38Z)
• PIXIU: A Large Language Model, Instruction Data and Evaluation Benchmark for Finance [63.51545277822702]
  PIXIUは、命令データ付き微調整LLaMAに基づく最初の金融大規模言語モデル(LLM)を含む包括的なフレームワークである。 我々はLLaMAを細調整してFinMAを提案する。 我々は、FinMAと既存のLLMを詳細に分析し、重要な財政課題に対処する際の長所と短所を明らかにする。
  論文  参考訳（メタデータ） (2023-06-08T14:20:29Z)

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。