論文情報

著者: L Hu, J Jiao, J Liu, Y Ren, Z Wen, K Zhang
論文概要リンク: https://arxiv.org/abs/2509.13160
論文PDFリンク: https://arxiv.org/pdf/2509.13160?

要約

本論文は、LLM（大規模言語モデル）ベースのエージェントによる金融情報検索と推論能力を、現実的かつ専門家レベルの評価で測定する初の完全オープンソースのベンチマーク「FinSearchComp」を提案する。FinSearchCompは、時間依存性の高いデータ取得、単純な歴史的検索、複雑な歴史的調査という3種類の実務に即したタスクで構成され、70名の専門家の厳格なアノテーションと品質管理を経て635問の質問が用意された。これにより、金融分野の複雑で多段階な情報収集・推論作業をエンドツーエンドで評価可能とし、21種の既存モデルを評価して、ウェブ検索や金融プラグインの活用が性能向上に寄与することを実証した。

主要なポイント

金融分野における現実的かつ時間敏感な情報検索・推論を再現した初の大規模オープンエンドツーエンドベンチマークを開発。
専門家70名による多段階の品質管理を通じて635問の高品質な質問データセットを作成し、英語圏（Global）と中国圏（Greater China）をカバー。
21モデルの評価では、現状で最高性能のGrok 4（グローバル）、DouBao（中国市場）もなお専門家には及ばず、検索能力やプラグイン利用が明確に性能を押し上げることを確認。
Task1（時間依存データ取得）→ Task2（単純履歴検索）→ Task3（複雑歴史調査）の順に難易度が上がり、性能低下が顕著であり、モデルの推論と統合能力の不足が浮き彫りに。
モデルの出身国やツール環境が性能に大きく影響し、地域に特化した訓練データと検索インフラが重要。

メソッド

タスク設計
T1: 時間依存データ取得
当日の株価、為替レート、金価格など動的変動するデータをAPI経由でリアルタイム取得。
T2: 単純歴史的検索
企業財務報告や政府統計など明確な過去時点のデータ取得。単一データポイントの正確な抽出に焦点。
T3: 複雑歴史的調査
複数期間・複数ソースの情報統合と推論が必要。例えば、ある銘柄の最大伸長月や競合比較等。
データ収集と品質管理
公的な企業開示資料、権威ある金融データベース等を活用し多方面から検証。
アノテーターは修士以上の金融専門家70名（50名＋20名シニア）がデュアルチェックと議論で品質向上に寄与。
質問のあいまいさ排除や誤差許容範囲設定、定義の明確化に注力。
評価方法
LLMによりルーブリックに基づいた採点を実施（LLM-as-a-Judge）。
時間敏感な価格情報は取引終了後に評価し、許容誤差や価格レンジ検証を導入。
人手評価による95％の高一致率で自動評価の信頼性を担保。
利用可能なツール
API呼び出し、ウェブ検索、金融特化プラグインなど複合的なツール利用が可能で、実世界のアナリスト業務を模倣。

意義・影響

FinSearchCompは、金融分野におけるLLMエージェントの能力を現実的かつ専門家視点で初めて体系的に評価できる資源として貴重。
複数ツールやAPIを駆使する統合的評価により、単なる知識記憶ではなく実務的な情報探索能力と推論力のギャップを明示。
ウェブ検索や金融プラグインといったツール統合の重要性を示し、モデル開発・応用への指針を提供。
米中市場対応の地域差を示し、多言語・多文化対応型金融AI開発の必要性を浮き彫り。
将来的には、金融専門家の負担軽減や意思決定支援に直結し、金融AIの実用化推進に寄与。

以上が「Finsearchcomp: Towards a realistic, expert-level evaluation of financial search and reasoning」の詳細な日本語要約です。もし具体的な技術の詳細や図表の説明が必要でしたらお知らせください。