金融意思決定における人工知能

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

🔬研究者:Provides a comprehensive taxonomy of AI methods in finance+ESG and identifies research gaps in integrated frameworks.

🏢実務担当者:Highlights how AI can be leveraged for ESG rating prediction and disclosure analysis, aiding sustainability reporting and investment decisions.

🏛政策担当者:Suggests regulatory attention to AI-driven ESG evaluation and potential risks such as interpretability and regime instability.

人工知能は金融意思決定における主要な方法論的力となっているが、関連する文献は、金融時系列予測、ポートフォリオ構築、企業レベルのサステナビリティ分析という、少なくとも三つの部分的に接続された領域に断片化したままである。本レビューは、これらの領域が、アルゴリズムがノイズの多いデータからシグナルを抽出し、それらのシグナルを投資または資金調達の選択へと変換し、その後、環境・社会・ガバナンス基準をますます含む複数の目的の下で結果を評価する、より広範な意思決定アーキテクチャの一部として解釈されるべきであると論じる。本レビューはまず、古典的な計量経済モデルからリカレントニューラルネットワーク、トランスフォーマー、ハイブリッドアーキテクチャに至る予測手法の進化を総合する。次に、予測出力がどのように配分ルールに変換されるかを検討し、平均分散最適化、縮小ベースのリスク推定、リスクパリティ、階層的配分、強化学習ベースの動的リバランスに重点を置く。第三の実質的な系統はコーポレートファイナンスとサステナブルファイナンスに関わり、そこではAIはESG格付けや財務制約を予測するだけでなく、企業の異質性、資金調達の摩擦、開示ベースのシグナルを特定するためにも使用される。これらの系統にわたり、本記事は予測モデルと説明モデルを比較し、構造化データ、テキストデータ、代替データの役割を明確にし、過学習、レジーム不安定性、解釈可能性の欠如、制度的依存を含む主要な方法論的リスクを評価する。中心的な結論は、次の研究段階において予測、配分、ESG関連コーポレートファイナンスを別々の文献として扱うべきではないということである。代わりに、将来の研究は、データ品質、意思決定頻度、説明責任に関する明示的な仮定の下で、市場予測、ポートフォリオ設計、企業レベルのサステナブルファイナンス分析が共同でモデル化される統合フレームワークを構築すべきである。

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。

Artificial intelligence has become a major methodological force in financial decision-making, but the literature remains fragmented across at least three partially connected domains: financial time-series forecasting, portfolio construction, and firm-level sustainability analysis. This review argues that these domains should be interpreted as parts of a broader decision architecture in which algorithms extract signals from noisy data, transform those signals into investment or financing choices, and then evaluate outcomes under multiple objectives that increasingly include environmental, social, and governance criteria. The review first synthesizes the evolution of forecasting methods from classical econometric models to recurrent neural networks, transformers, and hybrid architectures. It then examines how predictive outputs are translated into allocation rules, with emphasis on mean–variance optimization, shrinkage-based risk estimation, risk parity, hierarchical allocation, and reinforcement-learning-based dynamic rebalancing. The third substantive line concerns corporate finance and sustainable finance, where AI is used not only to predict ESG ratings and financial constraints but also to identify firm heterogeneity, financing frictions, and disclosure-based signals. Across these streams, the article compares predictive and explanatory models, clarifies the role of structured, textual, and alternative data, and evaluates major methodological risks including overfitting, regime instability, interpretability deficits, and institutional dependence. The central conclusion is that the next stage of research should not treat forecasting, allocation, and ESG-related corporate finance as separate literatures. Instead, future work should build integrated frameworks in which market prediction, portfolio design, and firm-level sustainable finance analysis are jointly modeled under explicit assumptions about data quality, decision frequency, and accountability.

• semanticscholar https://jandoopress.com/journal/jgtss/article/download/250/241first seen 2026-07-18 08:31:02 · last seen 2026-07-19 05:59:12