論文の概要: LENS: Reliability-Aware Stock Prediction via LLM-Extracted Priors and News-Driven Semantic Graphs

• arxiv url: http://arxiv.org/abs/2611.04217v1
• Date: Tue, 03 Nov 2026 03:00:31 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:46:23.556823
• Title: LENS: Reliability-Aware Stock Prediction via LLM-Extracted Priors and News-Driven Semantic Graphs
• Title（参考訳）: LENS: LLM抽出とニュース駆動セマンティックグラフによる信頼性を考慮した株価予測
• Abstract要約: ストックリターン予測のための静的動的グラフフレームワークであるLENSを提案する。 S&P 500では、AR@5が16.4%、SR@5が22.6%向上した。
• 参考スコア（独自算出の注目度）: 8.066928488745218
• License:
• Abstract: Predicting stock returns requires modeling persistent company relations and time-varying market signals. Graph Neural Network (GNN) approaches combine static priors with dynamic relational graphs, but treat every extracted edge as a trustworthy binary fact, ignoring heterogeneous reliability across relational sources. We propose LENS (LLM-Extracted priors and News-driven Semantics), a static--dynamic graph framework for stock return prediction and ranking that models relational reliability as a first-class signal across the pipeline. On the static side, we extract a multi-relational company graph from a Large Language Model and aggregate it over multiple runs with confidence weighting to downweight low-consistency edges. On the dynamic side, we build a news-driven semantic graph with exponential-decay temporal aggregation to capture changing market context under uneven coverage. A context-dependent gated fusion module rebalances the two graphs at the per-stock, per-day level. On S&P 500, LENS improves AR@5 by 16.4% and SR@5 by 22.6% over the strongest baseline, and on NASDAQ 100 it achieves comparable improvements (15.5% and 20.9% respectively). Ablations isolate each component's contribution, and a human-validation study of sampled relations supports that the aggregation is grounded, providing evidence that reliability-aware LLM relations and news-based semantic graphs carry complementary information for graph-based financial prediction.
• Abstract（参考訳）: 株価のリターンを予測するには、永続的な企業関係と時変する市場シグナルをモデル化する必要がある。 グラフニューラルネットワーク(GNN)アプローチは静的先行と動的リレーショナルグラフを組み合わせるが、すべての抽出されたエッジを信頼できるバイナリ事実として扱い、リレーショナルソース間の不均一な信頼性を無視している。 本稿では,LENS (LLM-Extracted priors and News-driven Semantics) を提案する。 静的な面では、大言語モデルから多関係の企業グラフを抽出し、それを複数のランに集約し、信頼性を重み付け、低整合エッジに集約する。 動的側では、指数デカイ時間アグリゲーションを用いたニュース駆動セマンティックグラフを構築し、不均一なカバレッジの下で市場状況の変化を捉える。 文脈依存のゲート融合モジュールは、2つのグラフを1日あたりのストックレベルで再バランスさせる。 S&P 500ではAR@5が16.4%、SR@5が22.6%、NASDAQ 100では同等の改善(15.5%、20.9%)を達成している。 アブレーションは各コンポーネントの貢献を分離し、サンプリングされた関係に関する人間による検証研究は、アグリゲーションが根拠であることを支持し、信頼性に配慮したLLM関係とニュースベースのセマンティックグラフがグラフベースの財務予測に補完的な情報を持っていることを示す証拠を提供する。

関連論文リスト

• Efficient Recommendations via Graph Coarsening and Label Propagation [50.71909189967895]
  グラフベースのレコメンデーションは、現実世界の産業アプリケーションで広く採用されている。 有望なアプローチの1つは、適応的なグラフ縮小手法であるグラフ粗化である。 グラフの粗化と多段階ラベルの伝搬を組み合わせたフレキシブルな2段階拡散フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-24T13:25:26Z)
• STN-TGAT: Top-K Portfolio Construction via Prior-Guided Graph Attention with Learnable Soft-Threshold Sparsification [14.921992059477367]
  本稿では,時間的ダイナミックスと横断的依存関係を共同でモデル化することで,現実的な投資環境下での株式のランク付けとポートフォリオ構築の問題に取り組む。 我々は,時間変換器とグラフアテンションネットワークを統合したソフトスレッショルドNMI-prior Transformer Graph Attention Network (STN-TGAT)を提案する。 実世界のデータに関する実証的な結果は、STN-TGATがポートフォリオリターンによって測定された予測精度と投資利益率からベンチマークモデルを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-07-01T13:05:33Z)
• Rel-MOSS: Towards Imbalanced Relational Deep Learning on Relational Databases [66.24230877709756]
  リレーショナルディープラーニング(RDL)は、リレーショナルデータベース(RDB)を異種エンティティグラフとして構成するために提案される。 既存のRDL手法は、RDBにおける関係データの不均衡問題を無視し、少数民族を過小評価するリスクを負う。 本研究では,RDBエンティティ分類におけるクラス不均衡問題を初めて検討し,関係中心型マイノリティー合成オーバーサンプリングGNNを設計する。
  論文  参考訳（メタデータ） (2026-03-09T03:18:26Z)
• Stock Market Prediction Using Node Transformer Architecture Integrated with BERT Sentiment Analysis [1.2362187555287152]
  本稿では,ノードトランスアーキテクチャとBERTに基づく感情分析を組み合わせた株価予測フレームワークを提案する。 提案モデルは,個々の株式がノードを形成し,エッジが関係をキャプチャするグラフ構造として,株式市場を表現している。 1982年1月から2025年3月までの20株のS&P500株に対する実験では、統合モデルが平均絶対パーセンテージ誤差(MAPE)を1日の予測で0.80%達成していることが示されている。
  論文  参考訳（メタデータ） (2026-03-06T05:15:22Z)
• A Study of Dynamic Stock Relationship Modeling and S&P500 Price Forecasting Based on Differential Graph Transformer [4.6028394466086535]
  動的関係モデリングと価格予測のための差分グラフ変換器フレームワークを提案する。 我々のDGTは連続的なグラフ構造の変化を多面的自己認識に統合する。 クローサル時間的注意は、価格シーケンスのグローバル/ローカル依存関係をキャプチャする。
  論文  参考訳（メタデータ） (2025-06-23T14:53:31Z)
• Joint Relational Database Generation via Graph-Conditional Diffusion Models [44.06390394789874]
  プライバシのデータリリースや実際のデータセットといったアプリケーションでは、データベース(RDB)の生成モデルの構築が重要です。 従来はシングルテーブル生成にフォーカスするか、あるいはテーブルの順序を固定しテーブルを逐次生成する自動回帰因子化に依存していた。 我々は、RDB内のすべてのテーブルを秩序を課すことなく、共同でモデリングするという、根本的に異なるアプローチを提案する。
  論文  参考訳（メタデータ） (2025-05-22T11:12:56Z)
• Dynamic Graph Representation with Contrastive Learning for Financial Market Prediction: Integrating Temporal Evolution and Static Relations [5.892066196730197]
  時間グラフ学習(TGL)は、株式市場の進化する性質を捉えるために不可欠である。 伝統的な手法は、動的時間的変化とストック間の静的構造の間の相互作用を無視することが多い。 動的グラフ関係と静的グラフ関係を統合するコントラスト学習フレームワークによる動的グラフ表現を提案する。
  論文  参考訳（メタデータ） (2024-12-05T10:15:56Z)
• Multi-relational Graph Diffusion Neural Network with Parallel Retention for Stock Trends Classification [6.383640665055313]
  本稿では,複数株の今後の動きを予測することを目的としたグラフベース表現学習手法を提案する。 当社のアプローチは、7年にわたる3回の試行期間における次のトレーディングデイの株価トレンドを予想する上で、常に最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2024-01-05T17:15:45Z)
• Quantifying the Optimization and Generalization Advantages of Graph Neural Networks Over Multilayer Perceptrons [50.33260238739837]
  グラフネットワーク(GNN)は、グラフ構造化データから学習する際、顕著な能力を示した。 最適化と一般化の観点から、GNNと一般化を比較した分析の欠如がまだ残っている。
  論文  参考訳（メタデータ） (2023-06-24T10:21:11Z)
• Temporal-Relational Hypergraph Tri-Attention Networks for Stock Trend Prediction [45.74513775015998]
  本稿では、エンドツーエンドの株価トレンド予測のための協調的時間関係モデリングフレームワークを提案する。 新しいハイパーグラフトリアテンションネットワーク(HGTAN)が提案され,ハイパーグラフ畳み込みネットワークが拡張された。 このようにして、HGTANは、在庫間の情報伝達におけるノード、ハイパーエッジ、ハイパーグラフの重要性を適応的に決定する。
  論文  参考訳（メタデータ） (2021-07-22T02:16:09Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。