Preferred Networks金融チームのご紹介

Transcript

1. 株式会社Preferred Networks https://projects.preferred.jp/qfin/ja/ Preferred Networks 金融チームのご紹介
2. 2 会社概要
3. Preferred Networks (PFN) 会社概要 www.preferred.jp ミッション 設⽴ 本社 代表取締役 従業員数 事業内容 主要⼦会社 現実世界を計算可能にし、共に未来を創り出す 2014年3⽉26⽇ 東京都千代⽥区 ⻄川徹（共同創業者、代表取締役会⻑） 岡野原⼤輔（共同創業者、代表取締役社⻑） 約400名（2026年3⽉） AI半導体、計算基盤、⽣成AI基盤モデルなどのAI関連技術を 活⽤したソリューション‧製品の開発‧販売および研究開発 Matlantis株式会社（2021年6⽉設⽴） 株式会社Preferred Robotics（2021年11⽉設⽴） 株式会社Preferred Computing Infrastructure（2025年1⽉設⽴）
4. 4 AI関連技術を活用した製 品等の開発・販売 および研究開発 2014年3月設立 主なグループ会社 AI向けクラウド サービスの提供・運用 2025年1月設立 三菱商事・IIJとの合弁 自律移動ロボットの 開発・製造・販売 2021年11月設立 アマノ、三井住友銀行、 旭化成ホームズ等が出資 汎用原子レベルシミュ レータ Matlantisの販売 2021年6月設立　ENEOSとの合弁 三菱商事と業務資本提携 子ども向け プログラミング教室の経 営・展開 2020年12月設立 やる気スイッチグループとの合弁
5. 5 PFNの事業: AI技術のバリューチェーンを垂直統合 AIプロダクト‧ ソリューション 計算基盤 AI半導体 ⽣成AI基盤モデル MN-Core MN-Core 2 GPUクラスタ MN-3 (MN-Coreクラスタ) ⼤規模⾔語モデル 次世代 MN-Core 2を計算資源とした クラウドサービス 物質のエネルギー計算モデル PFP MN-Core L1000 （2027年提供予定） Preferred Networks (PFN)は、AI技術のバリューチェーンを構成するAI半導体、計算基盤、⽣成AI基盤モデル、AI プロダクト‧ソリューションという4つのレイヤーすべての技術を⾃社で開発しています。この4レイヤーのノウハ ウを垂直統合し、技術的難易度の⾼い問題を解決するために最適な技術の組み合わせを提案‧提供します。 様々な産業向けのAIソリューション‧製品
6. 6 PFNの事業: 幅広い業界をサポート PFNは、AIの技術スタックを活かし、様々な業界向けにプロダクト‧サービスを提供しています。 製造業 プラント⾃動化、異常検知、⼯作機械等 素材‧化学品 材料探索、材料開発等 製薬‧ヘルスケア 創薬、画像診断⽀援等 エンターテインメント コンテンツ制作⽀援、ゲーム等 ⼩売‧流通 チェーンストア業務改善、搬送⾃動化等 ⾦融 ⾦融特化型LLM、数理ファイナンス等 公共サービス 政府‧⾃治体向けLLM、気象予測等 教育 プログラミング教材、タイピング教材等 エンタープライズ 業務効率化
7. 国産フルスクラッチ開発の基盤モデル PLaMo™ GENIAC 第1期 技術モデル賞、ナレッジ賞 GENIAC 第2期 社会実装賞、コミュニティ賞 GENIAC 第3期 モデル賞 2025年日経優秀製品・サービス賞 最優秀賞 PLaMo(プラモ)は、独自アーキテクチャで日本語を豊富に含む高品質な学習データでフルスクラッ チで開発した国産の生成AI基盤モデルです。同等サイズのモデルの中で世界最高クラスの日本語知 識と指示追従性を実現しており、各モデルが各企業や自治体、政府機関などに導入されています。
8. PLaMoの各モデルと提供先 plamo-fin-prime カスタマイズドモデル SBI生命　議事録アプリ TEX SBIホールディングス　業務用AIエージェント SBI AI Portal miibo　会話型AI構築プラットフォーム miibo MC Digital　法人向け生成AIサービス Tachyon 生成AI Polimill　自治体向け生成AIアプリケーション QommonsAI 商用フラッグシップ 小規模言語モデル 企業・団体ユーザー（自動車やロボット、 製造設備、PCなど のエッジデバイスへの組み込みやオンプレミス環境） 金融機関等 企業・団体ユーザー 追加学習・ 小型化等 PLaMo翻訳ユーザー、デジタル庁「源内」ユーザーなど 金融特化型モデル 翻訳特化型モデル PLaMoはフルスクラッチで開発しているため、用途に合わせて特化型モデルの開発ができ、性能を 維持したまま小型化することでクラウドを介さないオンプレミス環境での利用も可能です。
9. 9 大規模言語モデル構築支援プログラムにてABCI（AI橋渡しクラウド）を使って PLaMo-13Bを開発・オープンモデルとして公開 GENIAC 第1期の成果としてPLaMo-100B-Pretrainedをオープンモデルとして公開 フラッグシップモデルPLaMo Primeのクラウド型APIとPLaMo Chatを提供開始 10月 2023年9月 金融特化型PLaMo（Fin-Prime）の提供開始 12月 2025年 1月 金融特化型のPLaMo-fin-baseの提供開始 5月 GENIAC 第2期の成果をベースとした PLaMo 2.0 Primeの提供開始 6月 8月 日本語の翻訳に特化したPLaMo翻訳の提供開始（オンプレミス提供） 小規模言語モデル（SLM）PLaMo Liteの提供開始 2024年8月 PLaMo翻訳のChromeおよびFirefoxブラウザ拡張機能を提供開始 GENIAC 第3期で「自律稼働デバイスに向けた高精度軽量VLMの開発」を開始 GENIAC 第1期 2024年2ｰ8月 GENIAC 第2期 2024年10ｰ翌年2月 GENIAC 第3期 2025年8月-翌年2月 PLaMo翻訳のサブスクリプションサービスを開始（10/10～） 10月 デジタル庁が推進するガバメントAI「源内」にPLaMo翻訳が搭載される 12月 2026年 1月 2025年日経優秀製品サービス賞の最優秀賞をPLaMo 2.0 Primeが受賞 リーズニング機能を備えたPLaMo 3.0 Primeβ版のモニター企業募集開始 3月 PLaMo開発のマイルストーン
10. 10 PFNの強み AI関連技術・人材 計算資源 ドメイン知識 • 世界トップのAI・機械学習関連学会 での論文採用実績 • Kaggle*称号保持者、ICPC*世界 大会出場経験者が多数在籍 • ハイパーパラメータ最適化フレーム ワークOptuna™、GPU向け汎用配 列計算ライブラリCuPy™などの OSSを開発 • 大規模なスーパーコンピュータを 自社運用 • AI向けプロセッサーMN-Core™ シリーズを神戸大と共同開発 • 自社開発のスパコンMN-3が Green500*で電力効率世界1位を 3度獲得 • 産業ロボット、自動車、製薬、エ ネルギー等のリーディング企業と の共同研究実績 • PFN Values（行動規範）に掲げる 「死ぬ気で学ぶ」の精神で各業界 ドメイン知識を学ぶ姿勢 • 様々なドメインの専門家が在籍 *Kaggle: 世界中の機械学習・データサイエンスに関わる人々のコミュニティーで、企業・政府などが提示した課題に対して最も精度の高いモデルの開発を競う世界的なコンペティション *ICPC: 国際大学対抗プログラミングコンテスト *Green500: 世界のスーパーコンピュータの性能上位500(TOP500)のうち、電力効率を評価するランキング
11. 11 Preferred Networks 金融チーム紹介
12. 12 金融チームのミッション 金融領域の極めて高度な課題に対して機械学習・深層学習の最先端技術を用いてアプローチし、 金融機関をはじめとするお客様、そして社会に価値を提供します。 市場の歪み、非自明な収益機会を発見できるか？ 高速かつ安全なヘッジングが可能か？ デリバティブのプライシングを高度化できるか？ より望ましいポートフォリオを構成できるか？ 企業や金融市場のリスクを適切に評価できるか？ 参加者の便益を維持しつつ不公正取引を迅速に発見できるか？ ・・・ 機械学習・ 深層学習 の最先端技術
13. 13 金融チームがご提供する価値 金融市場（セルサイド／バイサイド）向けのソリューションに加え、リテール領域や派生領域、 近年では大規模言語モデルの開発とそれを用いたソリューション提供も積極的に行っています。 金融ソリューション 研究開発 　　派生領域 　　金融市場 　　金融向けライブラリ開発 　　論文発表 　　大規模 　　言語モデル バイサイド セルサイド リテール 電力・不動産 etc 金融特化型LLM PLaMo Fin Prime
14. 14 金融チームが関わるソリューション／研究開発の例 金融市場（セルサイド／バイサイド）向けのソリューションに加え、リテール領域や派生領域、 近年では大規模言語モデルの開発とそれを用いたソリューション提供も積極的に行っています。 最先端技術を用いた セル／バイサイド両面での クオンツ領域の深化 生成AI／LLMによる 金融関連業務の効率化・高度化 論文発表やライブラリ開発による アカデミアやOSSへの貢献 1 2 3 バイサイド • 深層学習を用いたポートフォリオの 最適化や投資信託の開発 • 取引データからの売買シグナルの抽 出や銘柄推奨アルゴリズムの開発 セルサイド • 深層学習によるデリバティブ取引に おけるヘッジ戦略の高度化（Deep Hedging） • オプション取引における新たなリス ク指標の開発 特化モデル構築 • 金融領域の知識を強化した金融特化 モデルの開発（PLaMo Fin Prime） • 専門タスクに特化した個社専用モデ ルの構築と業務フローへの実装 RAG／AIエージェント • 社内専門家のナレッジの形式知化と AIエージェントの構築 • 経営層の考えや会社方針を理解した AI役員の実現 論文発表 • Deep Portfolio Optimization (Imajo+2021) • Adversarial Deep Hedging (Hirano+2023) ライブラリ開発 • qfeval: 取引戦略開発・金融時系列処 理用内製ライブラリ • japanese-lm-fin-harness: 金融LLM ベンチマーク • pfhedge: ディープヘッジングライ ブラリ, OSSとして公開 証券、アセットマネジメント、 銀行、電力、等 銀行、証券、損害保険、等 国内外のアカデミア、 OSSコミュニティ、等
15. 15 金融特化LLMを用いたソリューション提供 PLaMoをベースに日本の金融知識をさらに強化したLLMを金融機関向けに提供。PFNの金融チームが、課題の把握から始まり、技術や ユースケースの検証、アプリケーションの開発・運用まで、トータルでのご支援。 金融領域における 高い回答性能 金融・LLM領域で豊富な 実績を持つ専門家による支援 社内データやノウハウの 利用・連携が可能 高いセキュリティを担保 1 2 3 4 • 追加学習を行うことで、証券アナ リストや会計士のような金融専門 家に求められる能力を問うタスク において高い性能を達成*1 • 大量の日本語データで学習を行っ ているため、日本固有の金融知識 が求められるタスクでの高い精度 も期待 • 業務日報、研修資料、マニュア ル、顧客データベースなどの社内 の独自ファイルをRAGによって活 用することが可能 • 投資における価値判断の基準と いった独自の業務ノウハウを追加 学習によってモデル自体に反映さ せることも可能 • データを一切社外に出さないオン プレミス環境で利用可能であり、 極めて高いセキュリティ水準が求 められる金融機関での利用も可能 • 顧客や国内外の学会・カンファレ ンスで高い評価を受けているPFN の金融チームが実務への応用を支 援 • LLMの追加学習によるパラメータ チューニング、機械学習・深層学 習の最先端技術に基づいたソ リューション開発・提供実績多数
16. 16 付録： 主な研究業績 トップ国際会議・論文誌 • Imajo, Minami, Ito, Nakagawa (2021). Deep Portfolio Optimization via Distributional Prediction of Residual Factors. In AAAI2021. (acceptance rate: 21%) https://arxiv.org/abs/2012.07245 • Ito, Minami, Imajo, Nakagawa (2021). Trader-Company Method: A Metaheuristic for Interpretable Stock Price Prediction. In AAMAS2021.(acceptance rate: 24%) https://arxiv.org/abs/2012.10215 • Liu, Ito, Minami, Imajo (2022). Power Laws and Symmetries in a Minimal Model of Financial Market Economy. Physical Review Research, No.4, e.033077. https://arxiv.org/abs/2206.06802 • Imaki, Imajo, Ito, Minami, Nakagawa (2023). No-Transaction Band Network: A Neural Network Architecture for Efficient Deep Hedging, The Journal of Financial Data Science, No.5 Vol.2, pp.84 - 99. https://arxiv.org/abs/2103.01775 • Liu, Minami, Imajo (2022). Theoretically Motivated Data Augmentation and Regularization for Portfolio Construction.In ICAIF2022. https://arxiv.org/abs/2106.04114 • Hirano, Minami, Imajo (2023). Adversarial Deep Hedging: Learning to Hedge without Price Process Modeling, In ICAIF '23. https://arxiv.org/abs/2307.13217 国内学会・研究会 • 平野、今城、南、島田 (2022). オプションによるオプションのヘッジを可能にする二重 Deep Hedging 機構. 第28回 人工知能学会 金融情報学研究会（SIG-FIN） • 南、今城、中川、今長谷 (2022). 予測型フルスケール最適化による資産配分. 第36回人工知能学会全国大会. 業績一覧： https://projects.preferred.jp/qfin/ja/publications.html
17. 17 ソリューション提供について
18. 18 PFNのソリューション提供の流れ 金融チームは高度な技術開発はもとより、PFNの他チームとも密に連携し、課題の把握から、技術や ユースケースの検証、アプリケーションの開発・運用まで、トータルでのご支援を行っています。 アプローチ の検討 評価 PoC/技術検証 • 課題の把握 • 既存システ ムの確認 • 既存データ の確認 • ゴールの明 確化 • クリティカ ルな検証事 項の特定 • 評価指標や 検証手法の 初期設定 • 期間／工数 のお見積り • 契約の締結 • 要件定義に基づ きアプローチを 検討 • データ整理＆前 処理手法の検討 • 特徴量の設計 • 評価指標や検証 手法の確定 現状整理と 課題の把握 モデル 構築 業務 適用 データ 整備 • 設計したアプローチに基づきモデルを構築 • 設定評価手法で評価し、目標を満たさない場 合は改良を行い、再度評価 目標指標に達するまで お見積り ～契約 状況確認 要件定義 システム構築 設計 システム 要件定義 実装 ・テスト アジャイルに開発
19. 19 事例紹介 - カンボジア中央銀行におけるAIを活用した 資金需要予測 出典）『PFN、JICAを通じカンボジア中央銀行に AIを活用した現地通貨流動性予測の概念実証を実施』（https://www.preferred.jp/ja/news/pr20260126） JICA DXLabの枠組み • JICAは途上国の課題解決に デジタル技術を活用するイニ シアティブ「DXLab」を推 進 PFNのアプローチと成果 背景と課題 ＞ カンボジアの「ドル化経済」 • 自国通貨リエルに加え多額の米ドルが流通。貨幣供給 量のコントロールや効果的な金利政策の実施が困難 • NBCはリエルの利用促進に取り組み、ブロックチェー ン活用の決済システム「Bakong」導入など先端技術を 積極的に応用 • 同時に、資金需要の予測精度を高め、データに基づい た自律的な金融政策判断を行う基盤が求められていた 時系列分析の知見を活かした予測モデルの開発 • 金融分野での研究開発実績を持つPFNが、JICA DXLab イニシアティブのデジタルパートナーとして参画。 • NBCが保有するリエルの流動性データをもとに、将来 の資金需要を高精度に予測するAIモデルを開発 データに基づく自律的な金融政策の基盤確立 • 予測精度を向上させ、データに基づいた的確な金融政 策判断を行える基盤を構築。カンボジア経済の安定化 と自律的な金融政策の実現に貢献 • 中央銀行によるAI活用の優良事例としてNBCへの本格 実装および東南アジア域内外への成果展開を検討中 カンボジア中央銀行(NBC)
20. 20 事例紹介 - マルチアセットファンド構築へのAI活用 背景と課題 PFNのアプローチと成果 機械学習を使う投資戦略とそうでない従来型戦略のアロケーションを自動的に行い、 個別戦略の強みを最大限に引き出す形で、マルチアセットへの分散投資を実現 アプローチ • アプローチの有用性を確認 し、さらに継続的に研究開発 中 成果 ＞ 各アセットの取引データ、 マクロ経済データ等 MLベースの投資戦略と 従来型の投資戦略 • 好成績が見込める ファンドを構築する にあたり、機械学習 ベースの戦略の開発 が進んでいる一方 で、そうでない従来 型の戦略にも利点が あるといわれている • また、分散投資の観 点からもマルチア セットをファンドに 組み込むことが望ま しいが、ポートフォ リオ構築はより複雑 になる Buy-Side トレーダーカンパニー法というML ベースの新戦略を提案しつつ、それ を含む複数の戦略を組み合わせて ポートフォリオを最適化 参考) ”Trader-Company Method: A Metaheuristic for Interpretable Stock Price Prediction”, https://arxiv.org/abs/2012.10215 マルチアセットに投資するファンド 自動アロケーションによる ポートフォリオ構築 複数の投資 戦略を策定
21. 21 事例紹介 – 個別銘柄のリターン予測における 残差リターンの抽出 背景と課題 PFNのアプローチと成果 主成分分析を用いて、主要なファクターを除去し、残差リターンのみを抜き出す新たな 手法を提唱。各主成分への重みが平滑化されるような変換行列を新たに導入し、主要 ファクターの個数というハイパーパラメータを設定せずに効率よく残差リターンのみを 抽出 アプローチ • 本手法を応用することにより、マルチアセットにおけるアロケーションや 価格予測の高度化が可能に 成果 ＞ • 個別銘柄のリターン を予測しようとする と、多くの銘柄に共 通して影響する主要 要因を予測するモデ ルになってしまう • このような要因は十 分に性質が知られて おり、これらを除い た部分（残差）の予 測が本質的に重要 • つまり、どのように 残差部分だけを抜き 出すかが課題となる Buy-Side
22. 22 事例紹介 - デリバティブのヘッジ取引の高度化 背景と課題 PFNのアプローチと成果 市場情報を入力に取って現時点で最適なヘッジをニューラルネット(NN)で計算する、 Deep Hedgingと呼ばれるアプローチが存在。PFNはこの従来手法を発展させ、原資産価格のモデリン グを不要にする、敵対的Deep Hedgingというアプローチを開発 アプローチ ＞ • デリバティブは価格 変動リスクを分散・ 移転する目的で、通 常の金融商品から派 生して設計された証 券。原資産に連動し て価格が決まる • デリバティブを売る 側は、売りポジショ ンに伴うリスクを ヘッジするため、原 資産を随時売買する 必要がある • 原資産価格は刻々と 変動するため、ヘッ ジ判断を自動化・効 率化することが肝要 • 実市場データで従来法と同等〜上回るヘッジ性能を確認 • シミュレーター選定・チューニングが不要になり、開発/運用コストを大幅 削減可能 成果 本手法はヘッジ取引高度化の一例で論文発表済みのもの。実案件で はお客様の状況にあわせてオーダーメイドでアプローチを検討 Sell-Side
23. 23 事例紹介 - 金融特化／タスク特化LLMの構築 背景と課題 PFNのアプローチと成果 自社保有のLLMを用いてきれいなコーパスを作り、LLM／SLMへの追加学習に 使用 ＞ • 汎用的なLLMは すでに業務で活用 中 • 一般的な文章に対 しては問題なく利 用できるものの、 専門性が極めて高 い分野において は、十分な性能が 出ない アプローチ • 特定分野の知識を有した モデルにより、特定タス クにおいて高い性能を発 揮することを確認 成果 追加学習 特化モデル 汎用モデル 追加学習に適し たコーパス 特定分野の専門 知識が含まれる データセット モデル自体を保有しているため、その出力 を追加学習に使用することができる フルスクラッチ開発をはじめ、LLMの構築や 追加学習に関する高度な知見を保有 LLM
24. 24 事例紹介 - 人工市場シミュレーション (研究開発) 背景と課題 PFNのアプローチと成果 LLMを用いて、実際のトレーダーを模した人工市場のエージェントを構築し、より現実 的な人間の意思決定を踏まえたシミュレーションを実施した。 その結果、現実の市場で発生する特徴の一部を再現できることを確認した。 ＞ • 人工市場シミュ レーションはシス テミックリスクや 市場規制設計に有 効とされている • 人工市場の設計自 体はかなり簡易的 に行われることも 多く、実際の人間 の意思決定をうま く反映することが できなかった アプローチ • シミュレーションにおけるLLM の活用法にはまだまだ議論が必 要だが、今後のシステミックリ スクの分析の選択肢が広がった 成果 研究 Noise Traders: ファンドリバランス等の外生的要因で取引する Fundamental Traders: 株価のファンダメンタルを考え取引する Chartist Traders: トレンドを考慮に入れ取引する Noise Fundamental Chartist LLM ＜人工市場モデルのエージェント設定＞ 従来モデルのFundamental, ChartistをLLMで代替 ＜生成された価格変動のパス＞
25. 25 補足資料 ～金融特化 LLM開発の取り組み～
26. PFNは特化型モデルを作れる稀有な存在 26 Alignment 済み 汎用モデル Alignment 済み 特化モデル Alignment 済み 小型モデル ベースモデル 小型モデル Long-Context 対応 ベースモデル 特化モデル 事前学習 ②データセット 構築 ①ベンチマーク 開発 ④事後学習/ アラインメント ③継続事前学習 金融 LLM 特化型モデルを作るには、”良いモデルか”を評価するためのベンチマーク開発(①)、 専門知識を含んだ良質なデータセットの構築(②)、それを用いた継続事前学習による知識の追加(③)、 実用のための事後学習/アラインメントの実施(④)、が必要となる。PFNはすべての技術を保有。 ※ アラインメント（Alignment）とは、LLMをユーザーにとって望ましい出力にするプロセス（例：法令遵守、丁寧な言い回し）
27. 金融ベンチマークの構築 金融の知識を見るベンチマーク センチメント分析や、証券分析等の資格試験などを中 心に選択式問題でその正答率を測るベンチマークを 構築 金融の生成の良さを見るベンチマーク Preferred Multi-turn Benchmark for Finance in Japanese 全部で12種類のタスクでmulti-turnのアシスタントの 良さを計測する。 27
28. 継続事前学習後の金融ベンチマーク性能 • rinna社のnekomata-14bおよびmeta社のllama-3-70Bに対して、継続事前学習 を実施。 ◦ ほぼすべてのタスクでベンチマーク性能が向上。 ◦ llama-3-70Bは、claude-3-sonnet(61.59)の次に並び、gemini-1.5-pro (57.94)を超える性 能。(ただし、gpt-4は66.07) →継続事前学習により、金融の知識面での性能向上が確認できた 28
29. 金融機関向け大規模言語モデル PLaMo-fin-baseへ • ここまでの研究開発の成果をPLaMoに適用することで、日本語で金融に特化したモデル の開発に成功 ◦ すでに、金融関連の各社に提供を開始 ◦ 今後、アライメント対応などの実施を検討 29 https://www.preferred.jp/ja/news/pr20250127/
30. Fin-CALM: Enhancing Financial Domain Adaptation of Language Models via Model Augmentation • “LLM Augmented LLMs: Expanding Capabilities through Composition”を金融に応用 (https://arxiv.org/abs/2401.02412) • Augment LLM (左)の中間層の出力を変換してAnchor LLM (右)の中間層に繋ぎ込む • JaFin (金融に特化したインストラクション) 1490問を使 用して、真ん中の接合部分のみを学習させる。 • pfmt-bench-fin-jaで評価すると、LoRAよりもうまく答え ることができることを確認 30 K.Tanabe, M.Hirano, K.Matoya, K.Imajo, H.Sakaji, I.Noda, “Enhancing Financial Domain Adaptation of Language Models via Model Augmentation,” IEEE BigData 2024 学習ターゲット 通常のインストラ クションに対応し たLLM 金融知識を含む (Pretrained) LLM
31. 31 採用情報
32. 32 募集要項 金融領域の複雑な問題に一緒に立ち向かうメンバーを随時募集しております！ ※注）正式な募集要項や雇用条件等は 公式Webサイトや転職エージェント様からご提供するものをご参照ください。 エンジニア/リサーチャー 高度な専門知識で金融業界の課題解決 に取り組みます。プロジェクト推進に 加え、新規案件開拓や研究開発にも携 わります。 応募資格（必須） • 金融領域の専門知識・経験または実績 • コンピュータサイエンスの知識を活用 した課題解決の経験 • ソフトウェア開発経験 • ビジネスレベルの日本語能力 望ましいご経験（歓迎） • コンピュータサイエンス、データサイ エンス、深層学習に関する深い知識と 応用経験 • 研究開発の経験 • チームマネジメントの経験 ビジネス開発 顧客/パートナー企業とのプロジェクト の企画・推進に加え、新規事業の企画 ～立ち上げも担います。 応募資格（必須） • ビジネスによる課題解決や価値創造に 対する強い意欲 • 最新技術/業界トレンドへの学習意欲 • 3年以上のビジネス開発に準じる経験 望ましいご経験（歓迎） • 金融領域の専門知識や実務経験 • 顧客企業への提案およびプロジェクト マネジメントの経験 • 新事業立ち上げの経験 • エンジニアとの協働経験 • AIや技術への造詣 金融プロジェクトに関連する研究やそ の支援に加え、論文執筆も行います。 応募資格（必須） • 金融への興味・関心・情報収集能力 • GPU演算を含むPythonプログラミン グの経験 • テーマ設定から論文化までの研究開発 経験 望ましいご経験（歓迎） • 論文執筆・発表を行った経験 • 金融の専門的知識・経験または実績 • コンピュータサイエンス、データサイ エンス、深層学習に関する知識・経験 パートタイム リサーチャー
33. 33 PFN Company Deckもぜひご覧ください！ PFN全体の雰囲気やカルチャー、働き方のイメージをもっとリアルに知ることができる資料です。 • PFN Company Deck(JP) • PFN Company Deck(EN)
34. 34 Appendix
35. 35 1. No-Transaction Band Network (Imaki+2021) ◦ 数理ファイナンス理論的知見に基づいた 深層学習の新しいモデルアーキテクチャを提案し、 ディープヘッジング (深層学習による自動ヘッジ) の学習を高速化 ◦ 人工知能学会において優秀賞 (2021) 2. Deep Portfolio Optimization (Imajo+2021) ◦ ポートフォリオ理論、ファクター理論など 金融理論の伝統的知見から示唆を得て、 リターン分布予測・ポートフォリオ構築 のための新しい深層学習モデルを提案 ◦ AI系トップ会議であるAAAI2021に採択 技術開発事例（深層学習） 1/2 35
36. 36 3. Adversarial Deep Hedging (Hirano+2023) ◦ 敵対的な構造を用いることにより、Deep Hedging の原資産価格の価格過程を置かずに学習を可能に。 ◦ 人工知能学会において学生優秀賞論文賞 (2023) ◦ International Conference on AI in Finance (ICAIF) に採択。 4. 金融分野におけるLLMのベンチマーク・学習 ◦ PFN開発のPLaMo™を含め、各種LLMが金融分野において、 どの程度性能を発揮できるのかは未知数 ◦ まずはベンチマークがなければ、開発・評価ができない ◦ ベンチマークの構築と、ドメイン特化学習の開発を検討・実施 技術開発事例（深層学習） 2/2 36
37. Make the real world computable and create the future together.