公開：2026年9月7日, 最終更新：2026年9月7日
30秒サマリー
- LG AIリサーチが金融時系列予測に特化した基盤モデル「EXAONE Finance」の技術論文をarXivに公開した。
- 自己注意機構を排した線形時間アーキテクチャで、長期・多チャネル・欠損データに強い設計が特徴。
- 金融予測ベンチマーク「FinVerse」において、点予測・資産ランキング・ポートフォリオ収益性の全3部門で最高性能を達成したと報告。
何が起きたか
韓国LG AIリサーチの研究チーム（著者12名）は2026年8月4日、金融時系列予測に特化した基盤モデル「EXAONE Forecast for Finance（EXAONE Finance）」の技術報告書をarXiv（論文番号：2609.04239）として公開した。
既存の時系列基盤モデル（TSFM）は汎用ドメインを前提に設計されており、自己注意（Self-Attention）機構を用いるためシーケンス長やチャネル数の増加に対して計算コストが二乗オーダーで増大するという課題があった。また、入力データが完全に観測されていることを前提とし、金融市場特有の動態を反映した学習データが不足している点も指摘されていた。
EXAONE Financeはこれらの課題に対応するため、自己注意を廃した「アテンションフリー」アーキテクチャを採用。時間軸の混合には因果的1次元畳み込み（causal 1D convolution）を、変量間の混合にはグループ対応プーリングMLP（group-aware pooling MLP）を用い、いずれも線形時間で処理できる設計となっている。さらに、学習時に連続的な欠損区間をデータに混入させる「マスク付きコンテキスト拡張」により、金融データに頻出する間欠的な欠損への頑健性を高めた。事前学習には株式のほか、外国為替・コモディティ・暗号資産・債券・マクロ経済指標を含む大規模金融コーパスが用いられた。
評価には多様な資産クラスを対象とした金融予測ベンチマーク「FinVerse」が使用され、点予測精度・クロスセクション資産ランキング・ポートフォリオ収益性の3つの評価層すべてで最高性能（state-of-the-art）を達成したと論文は報告している。なお、本モデルの商用提供状況や外部公開の有無について、原文では言及がない。
原典ハイライト
論文アブストラクトは「EXAONE Financeはアテンションフリーアーキテクチャを採用し、線形時間の2つの演算子で自己注意を置き換えた。FinVerse全3評価層で首位を達成した」と述べている。
出典: arXiv cs.AI（論文）
So What?（なぜ重要か）
汎用LLMや既存TSFMが苦手とする「長期・多変量・欠損含み」の金融時系列予測に対して、計算効率と予測精度の両立を図るアーキテクチャ設計が示された点が重要。ベンチマークでの最高性能は、金融特化型モデルが汎用モデルに対して構造的優位を持ちうることを示唆し、AI活用における「汎用か専門特化か」の議論に具体的な根拠を加える。
日本企業への示唆
日本の金融機関・資産運用会社にとって、複数資産クラス・欠損データ・長期パネルという実務環境に即した予測モデルの研究が進んでいることは注目に値する。自社の定量分析・アルゴリズム運用・リスク管理部門では、こうした金融特化TSFMの動向を継続的にモニタリングし、汎用AIモデルとの比較検証を早期に行うことが競争上の備えになりうる。また、学習データに含まれる資産クラス（外国為替・コモディティ・マクロ指標等）は日本市場との関連が深く、類似モデルの国内適用可能性の検討も有用と考えられる。
背景・経緯
時系列基盤モデル（TSFM）は近年、大規模事前学習によるゼロショット予測性能の向上が注目されている分野。ただし既存モデルの多くは一般ドメイン向けに設計されており、金融市場の特性（高頻度の欠損・多数チャネル・資産間相関の複雑さ）への対応が課題とされてきた。EXAONE自体はLG AIリサーチが開発する大規模言語モデルシリーズだが、本論文は言語モデルではなく時系列予測に特化したモデルを対象としている。
