Fugu-MT 論文翻訳(概要): On Multivariate Financial Time Series Classification

論文の概要: On Multivariate Financial Time Series Classification

arxiv url: http://arxiv.org/abs/2504.17664v1
Date: Thu, 24 Apr 2025 15:33:00 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-02 19:15:53.438266
Title: On Multivariate Financial Time Series Classification
Title（参考訳）: 多変量財務時系列分類について
Authors: Grégory Bournassenko,
Abstract要約: 小規模とビッグデータのアプローチを比較して、それぞれの課題とスケーリングのメリットに注目します。 SVMのような従来のメソッドは、ConvTimeNetのようなモダンなアーキテクチャとは対照的である。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This article investigates the use of Machine Learning and Deep Learning models in multivariate time series analysis within financial markets. It compares small and big data approaches, focusing on their distinct challenges and the benefits of scaling. Traditional methods such as SVMs are contrasted with modern architectures like ConvTimeNet. The results show the importance of using and understanding Big Data in depth in the analysis and prediction of financial time series.
Abstract（参考訳）: 本稿では,金融市場における多変量時系列分析における機械学習モデルとディープラーニングモデルの利用について検討する。小規模とビッグデータのアプローチを比較して、それぞれの課題とスケーリングのメリットに注目します。 SVMのような従来のメソッドは、ConvTimeNetのようなモダンなアーキテクチャとは対照的である。その結果,財務時系列の分析と予測において,ビッグデータの利用と理解が重要であることが示された。

関連論文リスト

Empowering Time Series Analysis with Synthetic Data: A Survey and Outlook in the Era of Foundation Models [104.17057231661371]
時系列解析は複雑なシステムの力学を理解するために重要である。基本モデルの最近の進歩はタスク非依存の時系列基礎モデル (TSFM) と大規模言語モデルベース時系列モデル (TSLLM) につながっている。彼らの成功は、規制、多様性、品質、量制約のために構築が困難である、大規模で多様で高品質なデータセットに依存する。本調査では,TSFMとTLLLMの合成データの総合的なレビュー,データ生成戦略の分析,モデル事前学習におけるそれらの役割,微調整,評価,今後の研究方向性の特定について述べる。
論文参考訳（メタデータ） (2025-03-14T13:53:46Z)
Harnessing Vision Models for Time Series Analysis: A Survey [72.09716244582684]
本研究は, 時系列解析におけるLLMよりも視覚モデルの方が優れていることを示す。既存の方法の包括的かつ詳細な概要を提供し、詳細な分類学の双対的な見解を提供する。このフレームワークに関わる前処理と後処理のステップにおける課題に対処する。
論文参考訳（メタデータ） (2025-02-13T00:42:11Z)
Clustering Time Series Data with Gaussian Mixture Embeddings in a Graph Autoencoder Framework [10.33711719777708]
時系列データ分析は、金融、医療、環境モニタリングなど、さまざまな領域で普及している。伝統的な時系列クラスタリング手法は、そのようなデータに固有の複雑な時間的依存関係を捉えるのに苦労することが多い。時系列クラスタリングのためのグラフベースのアプローチである変分混合グラフオートエンコーダ(VMGAE)を提案する。
論文参考訳（メタデータ） (2024-11-25T22:49:01Z)
M-CELS: Counterfactual Explanation for Multivariate Time Series Data Guided by Learned Saliency Maps [0.9374652839580181]
M-CELSは,多次元時系列分類タスクにおける解釈可能性を高めるために設計された,対物的説明モデルである。その結果, M-CELS の有効性, 近接性, 疎度に優れた性能を示した。
論文参考訳（メタデータ） (2024-11-04T22:16:24Z)
Large Language Models for Financial Aid in Financial Time-series Forecasting [0.4218593777811082]
金融支援の時系列予測は、限られた歴史的データセットと高次元財務情報のために困難である。我々は、従来のアプローチよりも優れた性能を示すために、事前訓練されたLPM(GPT-2をバックボーンとする)、トランスフォーマー、線形モデルなど、最先端の時系列モデルを用いている。
論文参考訳（メタデータ） (2024-10-24T12:41:47Z)
Deep Time Series Models: A Comprehensive Survey and Benchmark [74.28364194333447]
時系列データは、現実世界のシナリオにおいて非常に重要である。近年、時系列コミュニティで顕著なブレークスルーが見られた。多様な分析タスクのためのディープ時系列モデルの公正なベンチマークとして、時系列ライブラリ(TSLib)をリリースします。
論文参考訳（メタデータ） (2024-07-18T08:31:55Z)
A Survey on Deep Learning based Time Series Analysis with Frequency Transformation [75.63783789488471]
周波数変換(FT)は、時系列解析における最先端の精度と効率を高めるために、ディープラーニングモデルにますます取り入れられている。この新興分野における注目の高まりと研究の高まりにもかかわらず、現在、FTを用いたディープラーニングベースの時系列モデルの体系的レビューと詳細な分析が欠如している。本稿では,FTを用いた深層学習に基づく時系列解析における最近の研究成果を体系的に研究し,要約する総合的なレビューを紹介する。
論文参考訳（メタデータ） (2023-02-04T14:33:07Z)
Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。本モデルは,多くの多変量データセット上での最先端性能を実現する。
論文参考訳（メタデータ） (2022-05-16T07:53:42Z)
Forex Trading Volatility Prediction using Neural Network Models [6.09960572440709]
本研究では,日々のボラティリティに関する経験的パターンのガイダンスを用いて,ディープラーニングネットワークの構築方法について述べる。数値計算の結果,多値ペアの入力によるマルチスケール長短期メモリ(LSTM)モデルが常に最先端の精度を実現していることがわかった。
論文参考訳（メタデータ） (2021-12-02T12:33:12Z)
Spatiotemporal Attention for Multivariate Time Series Prediction and Interpretation [17.568599402858037]
最も重要な時間ステップと変数の同時学習のための時間的注意機構(STAM)。結果: STAMは最先端の予測精度を維持しつつ,正確な解釈可能性の利点を提供する。
論文参考訳（メタデータ） (2020-08-11T17:34:55Z)
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。