論文の概要: Decoding Futures Price Dynamics: A Regularized Sparse Autoencoder for Interpretable Multi-Horizon Forecasting and Factor Discovery

• arxiv url: http://arxiv.org/abs/2505.06795v3
• Date: Wed, 14 May 2025 17:49:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-15 13:24:43.895502
• Title: Decoding Futures Price Dynamics: A Regularized Sparse Autoencoder for Interpretable Multi-Horizon Forecasting and Factor Discovery
• Title（参考訳）: Decoding Futures Price Dynamics: An regularized Sparse Autoencoder for Interpretable Multi-Horizon Forecasting and Factor Discovery
• Authors: Abhijit Gupta,
• Abstract要約: 本稿では,複数水平商品価格の同時予測のための正規化スパースオートエンコーダ(RSAE)を提案する。 以上の結果から,RSAEは競争力のあるマルチホライズン予測の精度と,価格変動に対するデータ駆動的洞察を提供することがわかった。
• 参考スコア（独自算出の注目度）: 0.32634122554914
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Commodity price volatility creates economic challenges, necessitating accurate multi-horizon forecasting. Predicting prices for commodities like copper and crude oil is complicated by diverse interacting factors (macroeconomic, supply/demand, geopolitical, etc.). Current models often lack transparency, limiting strategic use. This paper presents a Regularized Sparse Autoencoder (RSAE), a deep learning framework for simultaneous multi-horizon commodity price prediction and discovery of interpretable latent market drivers. The RSAE forecasts prices at multiple horizons (e.g., 1-day, 1-week, 1-month) using multivariate time series. Crucially, L1 regularization ($\|\mathbf{z}\|_1$) on its latent vector $\mathbf{z}$ enforces sparsity, promoting parsimonious explanations of market dynamics through learned factors representing underlying drivers (e.g., demand, supply shocks). Drawing from energy-based models and sparse coding, the RSAE optimizes predictive accuracy while learning sparse representations. Evaluated on historical Copper and Crude Oil data with numerous indicators, our findings indicate the RSAE offers competitive multi-horizon forecasting accuracy and data-driven insights into price dynamics via its interpretable latent space, a key advantage over traditional black-box approaches.
• Abstract（参考訳）: 商品価格のボラティリティは経済的な課題を生み出し、正確なマルチ水平予測を必要とする。 銅や原油などの商品の価格予測は、様々な相互作用要因(マクロ経済、需給、地政学など)によって複雑である。 現在のモデルは透明性を欠くことが多く、戦略的な使用を制限する。 本稿では,マルチホライズン商品価格の同時予測と解釈可能な潜在市場ドライバの発見のためのディープラーニングフレームワークである正規化スパースオートエンコーダ(RSAE)を提案する。 RSAEは多変量時系列を用いて複数の地平線(例:1日、1週間、1カ月)で価格を予測している。 重要なことに、L1正則化$\|\mathbf{z}\|_1$) は潜伏ベクトル $\mathbf{z}$ のスパーシリティを強制し、基礎となるドライバ(例えば、需要、供給ショック)を表す学習要因を通して市場ダイナミクスの擬似的説明を促進する。 エネルギーベースモデルとスパースコーディングから引き出されたRSAEは、スパース表現を学習しながら予測精度を最適化する。 この結果から,RSAEは従来のブラックボックスアプローチに比べて,解釈可能な潜水空間による価格変動の予測精度とデータ駆動的洞察を,競争力のあるマルチホライゾンで提供することが明らかとなった。

関連論文リスト

• Transformer Encoder and Multi-features Time2Vec for Financial Prediction [1.1399577852929503]
  我々は、Time2VecとTransformerモデルを統合することで、新しいニューラルネットワークアーキテクチャを開発する。 異なる市場の研究に基づいて,新たな相関特徴選択法を提案する。 提案手法は、位置符号化など、他の最先端の符号化手法よりも優れていると結論付けている。
  論文  参考訳（メタデータ） (2025-04-18T17:07:41Z)
• An Advanced Ensemble Deep Learning Framework for Stock Price Prediction Using VAE, Transformer, and LSTM Model [4.097563258332958]
  本研究では,3つの先進ニューラルネットワークアーキテクチャを組み合わせることで,株価予測のための最先端の深層学習フレームワークを提案する。 このフレームワークは豊富な技術的指標を使用し、現在の市場状況に基づいて予測器をスケールする。 金融専門家や学者にとって、アルゴリズム取引、リスク分析、制御と意思決定に非常に重要な応用がある。
  論文  参考訳（メタデータ） (2025-03-28T07:20:40Z)
• 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)
• Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
  長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。 多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。 深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。 本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-18T16:21:15Z)
• Stock Trend Prediction: A Semantic Segmentation Approach [3.718476964451589]
  完全2次元畳み込みエンコーダデコーダを用いた長期株価変動傾向の予測手法を提案する。 我々のCNNの階層構造は、長期的・短期的な関係を効果的に捉えることができる。
  論文  参考訳（メタデータ） (2023-03-09T01:29:09Z)
• Multivariate Probabilistic Forecasting of Intraday Electricity Prices using Normalizing Flows [62.997667081978825]
  ドイツでは、日内電気価格は通常、EPEXスポット市場の1日当たりの価格に異なる時間帯で変動する。 本研究は,日頭契約の日内価格差をモデル化する確率論的モデリング手法を提案する。
  論文  参考訳（メタデータ） (2022-05-27T08:38:20Z)
• 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)
• Markdowns in E-Commerce Fresh Retail: A Counterfactual Prediction and Multi-Period Optimization Approach [29.11201102550876]
  半パラメトリック構造モデルを構築し、価格の弾力性を学習し、対物需要を予測する。 本稿では,有限販売地平線上での消耗品全体の利益を最大化するために,多周期動的価格アルゴリズムを提案する。 提案されたフレームワークは、よく知られたeコマースの新鮮な小売シナリオであるFreshippoにうまくデプロイされている。
  論文  参考訳（メタデータ） (2021-05-18T07:01:37Z)
• Stock2Vec: A Hybrid Deep Learning Framework for Stock Market Prediction with Representation Learning and Temporal Convolutional Network [71.25144476293507]
  我々は、株式市場の日々の価格を予測するためのグローバルなハイブリッドディープラーニングフレームワークを開発することを提案した。 表現学習によって、私たちはStock2Vecという埋め込みを導きました。 我々のハイブリッドフレームワークは、両方の利点を統合し、いくつかの人気のあるベンチマークモデルよりも、株価予測タスクにおいてより良いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-09-29T22:54:30Z)

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。