FinCARDS: 카드 기반 분석가 재순위화 방법 – 금융 문서 질의응답을 위한 접근 방식

FinCARDS: Card-Based Analyst Reranking for Financial Document Question Answering

장문의 기업 보고서에 대한 금융 질의응답(QA)은 엔터티, 금융 지표, 회계 기간 및 숫자 값에 대한 엄격한 제약을 만족시키는 증거를 필요로 합니다. 그러나 기존의 LLM 기반 재순위화 모델은 주로 의미적 관련성을 최적화하여, 장문의 문서에서 불안정한 순위와 불투명한 의사 결정을 초래합니다. 본 논문에서는 금융 지식 기반 스키마를 활용하여 금융 증거 선택을 제약 조건 만족 문제로 재구성하는 구조화된 재순위화 프레임워크인 FinCards를 제안합니다. FinCards는 보고서의 각 부분을 질문과 연결된 스키마 필드(엔터티, 지표, 기간, 숫자 범위)를 사용하여 표현함으로써, 결정적인 필드 수준의 매칭을 가능하게 합니다. 증거는 안정성을 고려한 다단계 토너먼트 재순위화를 통해 선택되며, 감사 가능한 의사 결정 과정을 제공합니다. 두 가지 기업 보고서 QA 벤치마크에서 FinCards는 사전 순위 검색 성능을 크게 향상시키며, 어휘 기반 및 LLM 기반 재순위화 모델의 성능을 능가합니다. 또한, 모델 미세 조정이나 예측 불가능한 추론 비용 없이 순위 변동을 줄입니다. FinCards의 코드는 다음 GitHub 저장소에서 확인할 수 있습니다: https://github.com/XanderZhou2022/FINCARDS.

Financial question answering (QA) over long corporate filings requires evidence to satisfy strict constraints on entities, financial metrics, fiscal periods, and numeric values. However, existing LLM-based rerankers primarily optimize semantic relevance, leading to unstable rankings and opaque decisions on long documents. We propose FinCards, a structured reranking framework that reframes financial evidence selection as constraint satisfaction under a finance-aware schema. FinCards represents filing chunks and questions using aligned schema fields (entities, metrics, periods, and numeric spans), enabling deterministic field-level matching. Evidence is selected via a multi-stage tournament reranking with stability-aware aggregation, producing auditable decision traces. Across two corporate filing QA benchmarks, FinCards substantially improves early-rank retrieval over both lexical and LLM-based reranking baselines, while reducing ranking variance, without requiring model fine-tuning or unpredictable inference budgets. Our code is available at https://github.com/XanderZhou2022/FINCARDS.