arXivに最近公開された論文「FinLLM-KG: Knowledge Graph-Enhanced LLMs for Financial Sentiment Analysis in Algorithmic Trading」は、因果大規模言語モデル（LLM）と金融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を提案している。著者はGiorgos Iacovidesら4名で、論文番号はarXiv:2610.36083、計算と言語（cs.CL）に分類され、機械学習、統計金融、取引市場マイクロストラクチャーにも関連する。
既存の金融センチメント分析は、事後学習された金融LLMによって大幅に改善されてきたが、各記事のセンチメントを孤立して予測するにとどまり、ブラックボックスとして動作するため、文脈理解が制限され、高风险の金融意思決定への展開が妨げられている。FinLLM-KGはこの問題に対処するため、推論時にSEC 10-K提出書類から得た企業レベルの知識を、モデルの重みを更新することなく注入する。この知識は時間的な根拠を持ち、企業の特定時点の状況を反映する。
具体的には、FinLLM-KGは2つの方法でコンテキストを提供する。一つは自然言語による企業プロファイル、もう一つは関連性でランク付けされた少数の事実トリプルである。これにより、センチメント予測は単一の記事だけでなく、企業レベルのより広範な情報を考慮できる。知識注入は推論時に行われ、重み更新を伴わないため、計算コストはほぼゼロであり、任意の因果LLMに適用可能である。
予測性能の向上に加え、FinLLM-KGは説明可能性にも重点を置く。記事レベルのセンチメントスコアを個々の文および取得された知識グラフの事実に帰属させることで、予測の根拠を検査可能にする。この設計はモデルの透明性を高め、人間参加型のレビューを支援し、金融意思決定における信頼構築に寄与する。
効果を検証するため、研究チームはシミュレーション実験を実施した。その結果、FinLLM-KGは最先端のベースラインと比較して、ポートフォリオパフォーマンスを一貫して改善することが示された。これは、構造化知識とLLMの融合が金融取引の現場で持つ可能性を示唆している。
論文は2026年10月26日に投稿され、arXivからPDF、HTML実験版、TeXソースが入手可能である。本研究は、金融センチメント分析に軽量で説明可能かつモデル非依存の拡張手法を提供し、今後は知識グラフの構築・更新メカニズムや、より複雑な取引戦略への応用が期待される。