← 論文一覧に戻る

気候関連ナラティブからの自動Basel III/IFRS9リスクパラメータ抽出のための深層学習NERパイプライン

Deep Learning NER Pipeline for Automated Basel III / IFRS 9 Risk Parameter Extraction from Climate Narratives (原題)

Rohit Nimmala, Jagrut Nimmala, Milan Parikh

2026 International Conference on Artificial Intelligence, Systems, and Emerging Technologies (ICAISET)📚 査読済 / ジャーナル2026-04-21#気候金融Origin: Global
DOI: 10.1109/icaiset66439.2026.11542084
原典: https://doi.org/10.1109/icaiset66439.2026.11542084

🤖 gxceed AI 要約

日本語

本論文は、気候変動シナリオのテキストからBasel III/IFRS 9の信用リスクパラメータ（PD、LGD、EAD等）を自動抽出する深層学習パイプラインClimRiskNERを提案する。金融・気候の二重ドメイン適応事前学習と制約付き系列生成を組み合わせ、ECB、BoE、NGFSのストレステスト報告書等で高い性能（F1 0.82-0.89）を達成した。手動抽出と比較して99%以上の時間短縮を実現し、SHAPによる説明可能性も備える。

English

This paper introduces ClimRiskNER, a deep learning pipeline that automatically extracts Basel III/IFRS 9 credit risk parameters (PD, LGD, EAD) from climate scenario narratives. It combines dual-domain adaptive pre-training (financial and climate) with constrained seq2seq decoding, achieving F1 scores of 0.82-0.89 on ECB, BoE, and NGFS stress test reports and TCFD disclosures. The system reduces extraction time by over 99% versus manual review and provides SHAP-based provenance for audit trails.

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

📝 gxceed 編集解説 — Why this matters

日本のGX文脈において

日本でもSSBJの開示基準や有報での気候関連情報記載が進む中、本パイプラインは定性情報から定量的リスクパラメータを自動抽出する手法を提供する。日本の金融機関がTCFD開示やストレステストを効率化し、規制対応を強化する上で有用。

In the global GX context

This pipeline directly addresses the global need to integrate climate risks into financial risk management under ISSB, CSRD, and Basel III frameworks. By automating extraction of credit risk parameters from unstructured climate narratives, it enables scalable, auditable analysis for banks, regulators, and investors worldwide.

👥 読者別の含意

🔬研究者:For NLP and climate finance researchers, this work demonstrates a novel approach to structured information extraction from specialized domains, combining domain-adaptive pre-training and constrained decoding.

🏢実務担当者:Corporate sustainability and risk teams can adopt this pipeline to automate the extraction of climate risk parameters from disclosures, reducing manual effort and improving data consistency for reporting.

🏛政策担当者:Regulators and central banks can leverage this tool to systematically assess climate risk exposures across financial institutions and enforce disclosure standards more effectively.

📄 抄録（日本語訳）

銀行は、中央銀行やTCFD報告企業が公表する定性的な気候シナリオ記述から、デフォルト確率（PD）、デフォルト時損失率（LGD）、デフォルト時エクスポージャー（EAD）、予想信用損失（ECL）を含む信用リスクパラメータを手動で抽出しなければならない。既存の金融NERシステムは、一般的なエンティティタイプまたはXBRLタグを対象としており、気候NLP手法は文書レベルで開示情報を分類するが、定量的なリスクパラメータを抽出しない。我々は、二領域適応的事前学習（金融および気候コーパス）と制約付きseq2seqデコードを組み合わせて、非構造化気候テキストから構造化されたバーゼルIII/IFRS 9パラメータを抽出する、新規のエンドツーエンドパイプラインであるClimRiskNERを紹介する。このパイプラインは、200万以上の気候パラグラフでさらに事前学習されたFinBERTモデルであるFinBERT-ClimateをトークンレベルのNERに使用し、続いてバーゼルIII/IFRS 9オントロジーへの出力適合性を強制するプレフィックス・トライ制約付きビームサーチを備えたT5ベースのseq2seqモジュールを使用する。ECB、BoE、NGFSの気候ストレステスト報告書およびTCFD開示情報の厳選データセットにおいて、このパイプラインはPDで0.89、LGDで0.85、EADで0.82のエンティティレベルF1を達成し、次点のベースライン（GPT-4少数ショット）をF1スコアで9ポイント上回る。このシステムは、手動レビューと比較して抽出時間を99%以上削減し（1ページあたり0.3秒対720秒）、規制監査証跡のためのSHAPベースのトークンレベルの来歴を提供する。

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。

📄 Abstract（原文）

Banks must manually extract credit risk parameters, including probability of default (PD), loss given default (LGD), exposure at default (EAD), and expected credit loss (ECL), from qualitative climate scenario narratives published by central banks and TCFD-reporting firms. Existing financial NER systems target generic entity types or XBRL tags, and climate NLP methods classify disclosures at the document level but do not extract quantitative risk parameters. We introduce ClimRiskNER, a novel end-to-end pipeline that combines dual-domain adaptive pre-training (financial and climate corpora) with constrained seq2seq decoding to extract structured Basel III/IFRS 9 parameters from unstructured climate text. The pipeline uses FinBERT-Climate, a FinBERT model further pre-trained on over 2 million climate paragraphs, for token-level NER, followed by a T5-based seq2seq module with prefix-trie constrained beam search enforcing output conformity to a Basel III/IFRS 9 ontology. On a curated dataset of ECB, BoE, and NGFS climate stress test reports and TCFD disclosures, the pipeline achieves entity-level F1 of 0.89 for PD, 0.85 for LGD, and 0.82 for EAD, outperforming the next-best baseline (GPT-4 few-shot) by 9 F1 points. The system reduces extraction time by over 99% versus manual review (0.3 seconds per page versus 720 seconds) and provides SHAP-based token-level provenance for regulatory audit trails.

🔗 Provenance — このレコードを発見したソース

🔔 こうした論文の新着を逃したくない方は キーワードアラート に登録（無料・3キーワードまで）。

gxceed は公開メタデータに基づく研究支援データセットです。要約・翻訳・解説は AI 支援で生成されています。 最終的な解釈・検証は利用者が原典資料に基づいて行うことを前提とします。