論文の概要: FinTSB: A Comprehensive and Practical Benchmark for Financial Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2502.18834v1
• Date: Wed, 26 Feb 2025 05:19:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-27 14:56:19.201183
• Title: FinTSB: A Comprehensive and Practical Benchmark for Financial Time Series Forecasting
• Title（参考訳）: FinTSB:金融時系列予測のための総合的で実践的なベンチマーク
• Authors: Yifan Hu, Yuante Li, Peiyuan Liu, Yuxia Zhu, Naiqi Li, Tao Dai, Shu-tao Xia, Dawei Cheng, Changjun Jiang,
• Abstract要約: ファイナンシャル・タイム・シリーズ(FinTS)は、人間の脳を増強した意思決定の行動を記録する。 FinTSBは金融時系列予測のための総合的で実用的なベンチマークである。
• 参考スコア（独自算出の注目度）: 58.70072722290475
• License:
• Abstract: Financial time series (FinTS) record the behavior of human-brain-augmented decision-making, capturing valuable historical information that can be leveraged for profitable investment strategies. Not surprisingly, this area has attracted considerable attention from researchers, who have proposed a wide range of methods based on various backbones. However, the evaluation of the area often exhibits three systemic limitations: 1. Failure to account for the full spectrum of stock movement patterns observed in dynamic financial markets. (Diversity Gap), 2. The absence of unified assessment protocols undermines the validity of cross-study performance comparisons. (Standardization Deficit), and 3. Neglect of critical market structure factors, resulting in inflated performance metrics that lack practical applicability. (Real-World Mismatch). Addressing these limitations, we propose FinTSB, a comprehensive and practical benchmark for financial time series forecasting (FinTSF). To increase the variety, we categorize movement patterns into four specific parts, tokenize and pre-process the data, and assess the data quality based on some sequence characteristics. To eliminate biases due to different evaluation settings, we standardize the metrics across three dimensions and build a user-friendly, lightweight pipeline incorporating methods from various backbones. To accurately simulate real-world trading scenarios and facilitate practical implementation, we extensively model various regulatory constraints, including transaction fees, among others. Finally, we conduct extensive experiments on FinTSB, highlighting key insights to guide model selection under varying market conditions. Overall, FinTSB provides researchers with a novel and comprehensive platform for improving and evaluating FinTSF methods. The code is available at https://github.com/TongjiFinLab/FinTSBenchmark.
• Abstract（参考訳）: ファイナンシャル・タイム・シリーズ(FinTS)は、有能な投資戦略に活用できる貴重な歴史的情報を収集し、人頭による意思決定の行動を記録する。 当然のことながら、この領域は様々なバックボーンに基づく幅広い手法を提案してきた研究者からかなりの注目を集めている。 しかし、この地域の評価は3つの体系的な限界をしばしば示している。 1.ダイナミック・ファイナンシャル・マーケットで観測される株式の変動パターンの全スペクトラムを考慮に入れていないこと。 (ダイバーシティギャップ) 2. 総合評価プロトコルの欠如は、クロススタディ性能比較の妥当性を損なう。 (強硬化欠陥)と 3.重要な市場構造要因の無視により、実用性に欠けるパフォーマンス指標が膨らみます。 (Real-World Mismatch)。 これらの制約に対処し、金融時系列予測(FinTSF)の総合的かつ実用的なベンチマークであるFinTSBを提案する。 多様性を高めるため、動作パターンを4つの特定部分に分類し、データのトークン化と前処理を行い、いくつかのシーケンス特性に基づいてデータ品質を評価する。 評価設定の違いによるバイアスを排除するため、3次元にわたってメトリクスを標準化し、さまざまなバックボーンからメソッドを取り入れたユーザフレンドリで軽量なパイプラインを構築します。 実世界の取引シナリオを正確にシミュレートし、実践的実装を容易にするため、取引手数料などを含む様々な規制制約を広範囲にモデル化する。 最後に、FinTSBに関する広範な実験を行い、様々な市場条件下でのモデル選択をガイドするための重要な洞察を強調した。 全体として、FinTSBはFinTSFメソッドを改善し評価するための、新しく包括的なプラットフォームを提供する。 コードはhttps://github.com/TongjiFinLab/FinTSBenchmarkで公開されている。

関連論文リスト

• Demystifying Domain-adaptive Post-training for Financial LLMs [79.581577578952]
  FINDAPは、大規模言語モデル(LLM)のドメイン適応後学習に関する体系的できめ細かな研究である このアプローチは、FinCap、FinRec、FinTrain、FinEvalの4つの重要なコンポーネントで構成されています。 結果として得られるモデルであるLlama-Finは、幅広い財務タスクで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-01-09T04:26:15Z)
• FCMR: Robust Evaluation of Financial Cross-Modal Multi-Hop Reasoning [5.65203350495478]
  MLLMの推論能力を評価するためのベンチマークであるFCMR(Financial Cross-Modal Multi-Hop Reasoning)を提案する。 FCMRは3つの難易度(易度、中度、硬度)に分類される。 この新しいベンチマークの実験では、最先端のMLLMでさえ苦戦しており、最高の性能のモデルは最も難しいレベルでは30.4%の精度しか達成していない。
  論文  参考訳（メタデータ） (2024-12-17T05:50:55Z)
• STORM: A Spatio-Temporal Factor Model Based on Dual Vector Quantized Variational Autoencoders for Financial Trading [55.02735046724146]
  金融取引では、ファクターモデルが資産の価格設定や過大なリターンの獲得に広く利用されている。 双対ベクトル量子化変分オートエンコーダを用いた時空間ファクトラーモデルSTORMを提案する。 ストームは時間的および空間的な視点からストックの特徴を抽出し、これらの特徴を微細で意味的なレベルで融合し整列させ、その要素を多次元の埋め込みとして表現する。
  論文  参考訳（メタデータ） (2024-12-12T17:15:49Z)
• TFB: Towards Comprehensive and Fair Benchmarking of Time Series Forecasting Methods [27.473935782550388]
  時系列は、経済、交通、健康、エネルギーといった様々な領域で生成される。 本稿では,時系列予測(TSF)手法の自動ベンチマークであるTFBを提案する。
  論文  参考訳（メタデータ） (2024-03-29T12:37:57Z)
• On Pitfalls of Test-Time Adaptation [82.8392232222119]
  TTA(Test-Time Adaptation)は、分散シフトの下で堅牢性に取り組むための有望なアプローチとして登場した。 TTABは,10の最先端アルゴリズム,多種多様な分散シフト,および2つの評価プロトコルを含むテスト時間適応ベンチマークである。
  論文  参考訳（メタデータ） (2023-06-06T09:35:29Z)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)
• Adaptive learning for financial markets mixing model-based and model-free RL for volatility targeting [0.0]
  モデルフリー強化学習は安定した環境において有意義な成果を上げてきたが、今日でも金融市場のような環境の変化に問題がある。 モデルフリーな深層強化学習により,様々なモデルベースアプローチを選択することで,この2つの手法のベストを組み合わせることを提案する。
  論文  参考訳（メタデータ） (2021-04-19T19:20:22Z)
• Interpretable ML-driven Strategy for Automated Trading Pattern Extraction [2.7910505923792646]
  金融時系列分析のためのボリュームベースデータ前処理手法を提案する。 手法の性能を評価するために統計的手法を用いる。 提案手法により,金融時系列パターンの分類を成功させることができた。
  論文  参考訳（メタデータ） (2021-03-23T09:55:46Z)
• Gaussian process imputation of multiple financial series [71.08576457371433]
  金融指標、株価、為替レートなどの複数の時系列は、市場が潜んでいる状態に依存しているため、強く結びついている。 金融時系列間の関係を多出力ガウスプロセスでモデル化することで学習することに注力する。
  論文  参考訳（メタデータ） (2020-02-11T19:18:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。