LLMによる財務予測におけるモメンタム、コメンタリートーン、および利益サプライズの影響

LLMの金融予測において、どの入力が予測を駆動するかを調べる研究。合成決算発表を作成し、20-day momentum、非情報的なcommentary tone、固定actual EPSが操作されたconsensusを上回るか否かを独立に反転させた。4ファミリ(0.49-7.61B base parameters)の6つのinstruction/chat checkpoint変換に、direct-answer Q8_0 protocolで各2,016 promptsを与えた。24 numerical blocks、6 commentary pairs、profits/losses、rising/falling annual EPS、2つのsurprise sizesを含む。A/B answer assignmentsとU/Dは各変換で全384 primary scenariosをカバーする。conditional answer-prefix scoresのmatched changesを推定し、calibrated market probabilitiesは測らない。

要旨からは不明。先行研究との具体的な比較は記述されていない。

合成earnings announcementsを構築し、20-day momentum、non-informational commentary tone、actual EPSがmanipulated consensusを上回るか否かを独立に反転させる。4ファミリ6 checkpointにdirect-answer Q8_0 protocolで2,016 promptsを提示。24 numerical blocks、6 commentary pairs、profits/losses、rising/falling annual EPS、2つのsurprise sizesを設計。A/B answer assignmentsとU/Dで全384 primary scenariosをカバー。conditional answer-prefix scoresのmatched changesを推定。

6 checkpointでprimary EPS contrastは-0.19から86.80 percentage pointsの範囲。primary signed tone contrastの大きさは6モデル中5でEPSを上回り、momentumは5で上回る。natural-word numerical diagnostic accuracyは51.0から95.8 percent。answer-encoding、wording、context、conversion controlsが結果を修飾する。

answer-encoding、wording、context、conversion controlsが結果を修飾する。実験はobservable input relianceとnumerical recognitionを測るもので、internal reasoning mechanismもrealized return predictabilityも確立しない。

要旨で参照/比較されている研究は明示されていない。同分野の定番として、LLMの金融予測やearnings surpriseに関する研究、momentumやcommentary toneの効果を扱うファイナンス文献が考えられるが、具体的な論文名は要旨からは不明。