大規模言語モデルによるビジネス・金融投資ESGセンチメントとポートフォリオリスク予測力

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Contributes to the growing literature on AI×ESG by empirically linking LLM sentiment to portfolio risk metrics, offering a methodological framework for further research.

🏢実務担当者:Portfolio managers and ESG analysts can leverage LLM sentiment as a forward-looking indicator for risk assessment and investment decisions.

大規模言語モデル（LLM）は、企業レポートのセンチメントデータ、記事のセンチメントデータ、決算説明会のセンチメントデータ、サステナビリティレポートのセンチメントデータ、ソーシャルメディアのセンチメントデータを生成するためにもセンチメント分析を利用している。本稿は、大規模言語モデル（LLM）によって作成されたセンチメントがポートフォリオリスクを予測できるかどうかを調査するものである。また、ポジティブおよびネガティブなシグナルと、ボラティリティ、下方リスク、ドローダウンエクスポージャー、ポートフォリオの安定性といったリスク指標との関係を調査する。結果は、LLMモデルから導出されたセンチメントが、従来の財務シグナルに加えて、ESG評価への貴重な将来予測的洞察を提供できることを示している。これらの各企業レベルにおいて、一貫してポジティブなESGセンチメントは、認識されるリスクの低減、投資家の信頼の向上、ポートフォリオのボラティリティ低下と関連しており、一方でネガティブなセンチメントは、下方エクスポージャーの増加、レピュテーションリスク、ボラティリティの増加と関連していた。本研究が見出したもう一つの重要な強みは、LLMが基本的なキーワードベースのアプローチと比較して、ESGに関連するニュアンスのある言語をより適切に理解できることであり、これによりセンチメント測定の質が向上する。しかしながら、モデルのバイアス、ハルシネーションのリスク、一貫性のないESG用語の使用、ソース文書の品質への依存といったリスクや課題が依然として存在する。全体として、LLMが生成したESGセンチメントと財務データ、および人間による検証、責任あるモデルガバナンスは、ポートフォリオリスク評価に活用できると本稿は結論付けている。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

The Large Language Models (LLMs) are also using sentiment analysis to generate corporate report sentiment data, articles sentiment data, earnings call sentiment data, sustainability report sentiment data, and social media sentiment data. This paper investigates if sentiment written by a large language model (LLM) can predict portfolio risk. It investigates the relationship between positive and negative signals and the risk metrics such as volatility, downside risk, drawdown exposure and portfolio stability. The results indicate that sentiment derived from LLM models can offer valuable forward-looking insights into ESG evaluations, in addition to conventional financial signals. At each of these firm levels, consistently positive ESG sentiment was associated with reduced perceived risk, increased investor confidence, and lower volatility of the portfolio, while negative sentiment was associated with increased downside exposure, reputational risk, and volatility. Another key strength the study finds is that LLMs are better able to understand nuanced language associated with the ESG when compared with the basic keyword-based approach, which will enhance the quality of sentiment measurement. Yet, there are still risks and issues, such as model bias, the risk of hallucination, the use of inconsistent ESG terminology and reliance on source document quality. Overall, LLM-generated ESG sentiment and financial data and human validation, and responsible model governance can be harnessed for use in portfolio risk assessment, the paper concludes.

• semanticscholar https://jabfs.online/index.php/journal/article/download/61/60first seen 2026-07-27 05:41:44 · last seen 2026-08-08 05:30:52