論文の概要: A Deep Learning Approach to Anomaly Detection in High-Frequency Trading Data

• arxiv url: http://arxiv.org/abs/2504.00287v1
• Date: Mon, 31 Mar 2025 23:14:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-03 13:20:30.889042
• Title: A Deep Learning Approach to Anomaly Detection in High-Frequency Trading Data
• Title（参考訳）: 高周波取引データにおける異常検出のための深層学習手法
• Authors: Qiuliuyang Bao, Jiawei Wang, Hao Gong, Yiwei Zhang, Xiaojun Guo, Hanrui Feng,
• Abstract要約: 本稿では,外国為替市場のマイクロ構造における異常な挙動を検出するための,段階的スライディングウインドウトランスフォーマーアーキテクチャに基づくアルゴリズムを提案する。 本手法は,多段階の時間的特徴を段階的スライディングウィンドウを通じて捕捉し,トランスフォーマーの自己注意機構と重み付けされた注意機構を組み合わせることで,グローバルおよびローカルな依存関係を抽出する。
• 参考スコア（独自算出の注目度）: 12.06584491356733
• License:
• Abstract: This paper proposes an algorithm based on a staged sliding window Transformer architecture to detect abnormal behaviors in the microstructure of the foreign exchange market, focusing on high-frequency EUR/USD trading data. The method captures multi-scale temporal features through a staged sliding window, extracts global and local dependencies by combining the self-attention mechanism and weighted attention mechanism of the Transformer, and uses a classifier to identify abnormal events. Experimental results on a real high-frequency dataset containing order book depth, spread, and trading volume show that the proposed method significantly outperforms traditional machine learning (such as decision trees and random forests) and deep learning methods (such as MLP, CNN, RNN, LSTM) in terms of accuracy (0.93), F1-Score (0.91), and AUC-ROC (0.95). Ablation experiments verify the contribution of each component, and the visualization of order book depth and anomaly detection further reveals the effectiveness of the model under complex market dynamics. Despite the false positive problem, the model still provides important support for market supervision. In the future, noise processing can be optimized and extended to other markets to improve generalization and real-time performance.
• Abstract（参考訳）: 本稿では,高周波EUR/USDトレーディングデータに着目し,外国為替市場のマイクロ構造における異常な挙動を検出するためのステージド・スライディング・ウインドウ・トランスフォーマー・アーキテクチャに基づくアルゴリズムを提案する。 本手法は,段階的スライディングウィンドウを通じて多段階の時間的特徴を捕捉し,変圧器の自己注意機構と重み付けされた注意機構を組み合わせたグローバルおよび局所的依存関係を抽出し,分類器を用いて異常事象を識別する。 注文帳深度,スプレッド,トレーディングボリュームを含む実周波数データセットの実験結果から,提案手法は従来の機械学習(決定木やランダム林など)や深層学習法(MLP, CNN, RNN, LSTM)を精度0.93, F1-Score (0.91), AUC-ROC (0.95) で著しく上回った。 アブレーション実験は各部品の寄与を検証し、注文帳の深さと異常検出の可視化により、複雑な市場ダイナミクス下でのモデルの有効性をさらに明らかにする。 誤った肯定的な問題にもかかわらず、このモデルは依然として市場監督に重要な支援を提供している。 将来的には、ノイズ処理を最適化し、他の市場に拡張して、一般化とリアルタイム性能を向上させることができる。

関連論文リスト

• Transformer-based Multivariate Time Series Anomaly Localization [5.554794295879246]
  時空間異常スコア(英: Space-Time Anomaly Score、STAS)は、変圧器の潜在表現と時空間統計モデルとの接続にインスパイアされた新しい計量である。 統計的特徴異常スコア(SFAS)は、異常に関する統計的特徴を分析してSTASを補完し、それらの組み合わせは誤報を減らすのに役立つ。 実世界の実験と合成データセットは、検出タスクとローカライゼーションタスクの両方において、最先端の手法よりもモデルの方が優れていることを示している。
  論文  参考訳（メタデータ） (2025-01-15T07:18:51Z)
• A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
  本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。 工業画像から抽出した55個の特徴を統計的手法を用いて解析した。 これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
  論文  参考訳（メタデータ） (2024-12-11T22:12:21Z)
• Research on Optimizing Real-Time Data Processing in High-Frequency Trading Algorithms using Machine Learning [19.43972851292453]
  本研究の目的は、高周波トレーディングアルゴリズムにおいて、データのリアルタイム処理を最適化することである。 動的特徴選択メカニズムは、市場データをリアルタイムで監視および分析する責任がある。 軽量ニューラルネットワークはモジュラー方式で設計されており、高速な畳み込み層とプルーニング技術を備えている。
  論文  参考訳（メタデータ） (2024-12-02T02:46:10Z)
• Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
  異常と欠落したデータは、産業応用における厄介な問題を構成する。 ディープラーニングによる異常検出が重要な方向として現れている。 エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
  論文  参考訳（メタデータ） (2024-11-06T15:38:31Z)
• Cross-Modal Learning for Anomaly Detection in Complex Industrial Process: Methodology and Benchmark [19.376814754500625]
  複雑な産業プロセスにおける異常検出は、効率的で安定で安全な操作を確実にする上で重要な役割を担っている。 本稿では,マグネシウム溶融プロセスにおける視覚特徴(ビデオ)とプロセス変数(電流)の相関を探索し,異常検出を容易にするクロスモーダルトランスを提案する。 本稿では, マグネシウム溶融プロセスの先駆的なクロスモーダルベンチマークを行い, 同期的に取得したビデオデータと電流データを220万以上のサンプルで分析した。
  論文  参考訳（メタデータ） (2024-06-13T11:40:06Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• ADT: Agent-based Dynamic Thresholding for Anomaly Detection [4.356615197661274]
  本稿では,エージェントベースの動的しきい値処理(ADT)フレームワークを提案する。 本研究では,自動エンコーダを用いて特徴表現を取得し,複雑な入力データに対する異常スコアを生成する。 ADTはオートエンコーダの異常スコアを利用して閾値を適応的に調整することができる。
  論文  参考訳（メタデータ） (2023-12-03T19:07:30Z)
• DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
  本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。 実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
  論文  参考訳（メタデータ） (2022-09-23T16:13:47Z)
• Rethinking Attention Mechanism in Time Series Classification [6.014777261874646]
  我々は、フレキシブル・マルチヘッド・リニア・アテンション(FMLA)を提案することにより、アテンション機構の効率性と性能を向上する。 本稿では,時系列におけるノイズの影響を低減し,FMLAの冗長性を低減できる簡易だが効果的なマスク機構を提案する。 85のUCR2018データセットを用いて、このアルゴリズムを11のよく知られたデータセットと比較し、このアルゴリズムがトップ1の精度で同等の性能を持つことを示す。
  論文  参考訳（メタデータ） (2022-07-14T07:15:06Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)

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。