HYUKI5/gtfintechlab__Numclaim

gtfintechlab/Numclaim（複製）

データの内容

米国の上場企業のアナリストレポートと決算説明会の書き起こしから取った文に、将来や推測の財務予測（INCLAIM）か、過去や現在の事実（OUTOFCLAIM）かのラベルを付けたデータ。1 行が 1 文で、context に文、response に INCLAIM か OUTOFCLAIM が入る。文は金融用語・数値・通貨か百分率の記号のいずれかを含むものに絞り、弱教師のルールと専門家の知識で初期ラベルを付け、一部を手作業で検証した。ライセンスは CC BY 4.0 である。

データの概要

項目	値
行数	2,681（1 構成・2 分割の合計）
列数	2
容量	214.70 KB（ファイル 4 本）
ファイルの形式	parquet 2
公開	public

構成と分割

構成（config）	分割（split）ごとの行数	列数
main	train 2,144、test 537	2

列（構成 main・分割 train）

列	型	先頭の行の値
context	string	the stock increased 50.3% in this period compare…
response	string	OUTOFCLAIM

行数と列は HF のデータセットビューアの集計（元のデータセットの現在の版で数えたもの）。全データセットの一覧は HYUKI5/dataset-catalog にある。

複製について

gtfintechlab/Numclaim をリビジョン 4bc5a1c18de091c6a22e255fd840816fffdbbd23 の時点でそのまま複製したもの。中身は変えていない。判断モデル Laya（convaiinnovations/laya）の微調整に使う候補として、調査メモ（Laya 学習用データセット調査）に載せたデータを集めている。

出典

• 元のデータセット: https://huggingface.co/datasets/gtfintechlab/Numclaim
• 複製したリビジョン: 4bc5a1c18de091c6a22e255fd840816fffdbbd23（2025-07-25 07:01:40+00:00）
• 元のライセンス表記: other

論文

• https://arxiv.org/abs/2402.11728

アノテーションの方法

データセットの作成

• 元データの収集 – 米国の上場企業について、アナリストレポート（Thomson Reuters）と四半期ごとの決算説明会の書き起こし（2010 年〜2023 年）を用いた。
• 文のフィルタリング – 金融用語、数値、通貨または百分率の記号のいずれも含む文のみを残した。
• アノテーション – 弱教師ありのルールに専門家の知識を加えて初期ラベルを作成し、一部を手作業で検証した。
• 品質管理 – 手作業による抜き取り検査でラベルの正解率は 0.9 を超え、ノイズの多い文は削除した。

---

微調整に使うときの注意

• 調査メモの台帳での区分: D（記載なし・other・unknown・資料間の食い違い）。区分は記載の文言で機械的に付けたもので、法的な判定ではない。学習に入れる前に元のカードとライセンスの原文で確かめる。
• Laya の入力は 2,048 token まで（ModernBERT-large / mmBERT）。長い本文は先頭から黙って切られるので、切れる行は事前に除くか、要約・切り出しをしてから入れる。
• 分割は記事・文書単位で行い、同じ本文から作った別の問いを学習側と較正側に分けない。温度と閾値は学習に使っていない分割で別々に当てる。

調査メモの記述

メモ	節	ライセンス（記載）	確認	注記
finance_news.md	Q1. 金融・経済テキストの感情・トピック・イベント・因果・ESG・マクロ・株価系のデータセットにどんなものがあり、Laya の noul / choice / score にどう載るか (L58)	カードに記載なし	確認済	確認印なし(各ファイルの凡例により確認済扱い) ／ 原文注記: arXiv:2402.11728。スキーマ上の列は context と response のみ

元のカード（日本語訳）

以下は元のデータセットのカードの本文を日本語に訳したもの（機械翻訳）。訳に疑問があるときは、末尾の原文を確かめる。

---

データセットカード: “NumClaim: Numerical Claim Detection in Finance”

目次

1. データセットの説明
2. 対応タスク
3. データセットの構造
4. データのフィールド
5. データの分割
6. データセットの作成
7. 使い方
8. ライセンス
9. 引用

---

データセットの説明

NumClaim は、金融テキストにおける数値的主張を検出するための文単位のコーパスである。
文が将来予測的または推測的な財務予測を表明している場合は INCLAIM とラベル付けされ、過去または現在の事実を述べている場合は OUTOFCLAIM とラベル付けされる。:contentReference[oaicite:0]{index=0} 本データセットはアナリストレポートと決算説明会の書き起こしを組み合わせたもので、数値予測が市場の反応に与える影響の研究を可能にする。:contentReference[oaicite:1]{index=1}

---

対応タスク

タスク	目的	代表的な評価指標
数値的主張の分類	文を INCLAIM または OUTOFCLAIM に分類する。	正解率、適合率、再現率、F1
楽観度のスコアリング	主張の尤度から連続的な楽観度スコアを算出する（論文における研究用途）。	リターンとのスピアマン / ピアソンの相関

---

データセットの構造

configs:
  - config_name: main
    data_files:
      - split: train
        path: main/train-*
      - split: test
        path: main/test-*
dataset_info:
  features:
    - context: string   # Financial sentence
    - response: string  # Label: INCLAIM / OUTOFCLAIM
  splits:
    - name: train
      num_examples: 2_144
      num_bytes:    317_988
    - name: test
      num_examples:   537
      num_bytes:     79_011
  download_size: 208_114
  dataset_size: 396_999

データのフィールド

フィールド	型	説明
context	string	アナリストレポートまたは決算説明会の文。
response	string	INCLAIM または OUTOFCLAIM のラベル。

---

データの分割

分割	文の数	割合
Train	2 144	80 %
Test	537	20 %
合計	2 681	100 %

---

データセットの作成

• 元データの収集 – 米国の上場企業について、アナリストレポート（Thomson Reuters）と四半期ごとの決算説明会の書き起こし（2010 年〜2023 年）を用いた。
• 文のフィルタリング – 金融用語、数値、通貨または百分率の記号のいずれも含む文のみを残した。
• アノテーション – 弱教師ありのルールに専門家の知識を加えて初期ラベルを作成し、一部を手作業で検証した。
• 品質管理 – 手作業による抜き取り検査でラベルの正解率は 0.9 を超え、ノイズの多い文は削除した。

---

使い方

from datasets import load_dataset

numclaim = load_dataset("gtfintechlab/Numclaim")
sample = numclaim["train"][0]

print(sample["context"])
print(sample["response"])

ライセンス

Creative Commons Attribution 4.0 International（CC BY 4.0）の下で公開されている。

引用

@inproceedings{shah2024numclaim,
  title     = {Numerical Claim Detection in Finance: A New Financial Dataset, Weak-Supervision Model, and Market Analysis},
  author    = {Shah, Agam and Hiray, Arnav and Shah, Pratvi and Banerjee, Arkaprabha and Singh, Anushka and Eidnani, Dheeraj and Chava, Sahasra and Chaudhury, Bhaskar and Chava, Sudheer},
  booktitle = {Findings of the Association for Computational Linguistics},
  year      = {2024},
  url       = {https://arxiv.org/abs/2402.11728}
}

原文（英語）

Dataset Card for “NumClaim: Numerical Claim Detection in Finance”

---

Dataset Description

NumClaim is a sentence‑level corpus for detecting numerical claims in financial text.
A sentence is labelled as INCLAIM if it expresses a forward‑looking or speculative financial forecast, and OUTOFCLAIM if it states factual past or present information.:contentReference[oaicite:0]{index=0} The dataset combines analyst reports and earnings‑call transcripts, enabling research on the influence of numerical forecasts on market reactions.:contentReference[oaicite:1]{index=1}

---

Supported Tasks

Task	Objective	Typical Metrics
Numerical Claim Classification	Classify a sentence as INCLAIM or OUTOFCLAIM.	Accuracy, Precision, Recall, F1
Optimism Scoring	Produce a continuous optimism score derived from claim likelihood (research use‑case in paper).	Spearman / Pearson correlation with returns

---

Dataset Structure

configs:
  - config_name: main
    data_files:
      - split: train
        path: main/train-*
      - split: test
        path: main/test-*
dataset_info:
  features:
    - context: string   # Financial sentence
    - response: string  # Label: INCLAIM / OUTOFCLAIM
  splits:
    - name: train
      num_examples: 2_144
      num_bytes:    317_988
    - name: test
      num_examples:   537
      num_bytes:     79_011
  download_size: 208_114
  dataset_size: 396_999

Data Fields

Field	Type	Description
context	string	Sentence from an analyst report or earnings call.
response	string	INCLAIM or OUTOFCLAIM label.

---

Data Splits

Split	# Sentences	Portion
Train	2 144	80 %
Test	537	20 %
Total	2 681	100 %

---

Dataset Creation

• Source Collection – Analyst reports (Thomson Reuters) and quarterly earnings‑call transcripts for U.S. public firms (2010 – 2023).
• Sentence Filtering – Retained only sentences containing a financial term, numeric value, and currency/percentage symbol.
• Annotation – Weak‑supervision rules augmented with subject‑matter‑expert knowledge produced initial labels; a subset was manually validated.
• Quality Control – Manual spot‑checks achieved > 0.9 label accuracy, and noisy sentences were removed.

---

Usage

from datasets import load_dataset

numclaim = load_dataset("gtfintechlab/Numclaim")
sample = numclaim["train"][0]

print(sample["context"])
print(sample["response"])

License

Released under Creative Commons Attribution 4.0 International (CC BY 4.0).

Citation

@inproceedings{shah2024numclaim,
  title     = {Numerical Claim Detection in Finance: A New Financial Dataset, Weak-Supervision Model, and Market Analysis},
  author    = {Shah, Agam and Hiray, Arnav and Shah, Pratvi and Banerjee, Arkaprabha and Singh, Anushka and Eidnani, Dheeraj and Chava, Sahasra and Chaudhury, Bhaskar and Chava, Sudheer},
  booktitle = {Findings of the Association for Computational Linguistics},
  year      = {2024},
  url       = {https://arxiv.org/abs/2402.11728}
}