論文の概要: Why Regression? Binary Encoding Classification Brings Confidence to Stock Market Index Price Prediction

• arxiv url: http://arxiv.org/abs/2506.03153v1
• Date: Sun, 18 May 2025 15:45:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-08 12:40:08.680545
• Title: Why Regression? Binary Encoding Classification Brings Confidence to Stock Market Index Price Prediction
• Title（参考訳）: レグレッションはなぜか? バイナリエンコード分類は株価指数の予測に信頼をもたらす
• Authors: Junzhe Jiang, Chang Yang, Xinrun Wang, Bo Li,
• Abstract要約: 本稿では,指標価格予測のために構成銘柄の適応的融合を明示的にモデル化する新しいエンドツーエンドフレームワークを提案する。 Cubicは、ストックインデックス予測タスクにおける最先端のベースラインを一貫して上回る。
• 参考スコア（独自算出の注目度）: 13.19419686734908
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Stock market indices serve as fundamental market measurement that quantify systematic market dynamics. However, accurate index price prediction remains challenging, primarily because existing approaches treat indices as isolated time series and frame the prediction as a simple regression task. These methods fail to capture indices' inherent nature as aggregations of constituent stocks with complex, time-varying interdependencies. To address these limitations, we propose Cubic, a novel end-to-end framework that explicitly models the adaptive fusion of constituent stocks for index price prediction. Our main contributions are threefold. i) Fusion in the latent space: we introduce the fusion mechanism over the latent embedding of the stocks to extract the information from the vast number of stocks. ii) Binary encoding classification: since regression tasks are challenging due to continuous value estimation, we reformulate the regression into the classification task, where the target value is converted to binary and we optimize the prediction of the value of each digit with cross-entropy loss. iii) Confidence-guided prediction and trading: we introduce the regularization loss to address market prediction uncertainty for the index prediction and design the rule-based trading policies based on the confidence. Extensive experiments across multiple stock markets and indices demonstrate that Cubic consistently outperforms state-of-the-art baselines in stock index prediction tasks, achieving superior performance on both forecasting accuracy metrics and downstream trading profitability.
• Abstract（参考訳）: 株式市場指標は、体系的な市場の動態を定量化する基本的な市場指標として機能する。 しかし、既存の手法ではインデックスを孤立した時系列として扱い、単純な回帰タスクとして予測を行うため、正確なインデックス価格予測は依然として難しいままである。 これらの手法は、複雑な時間変化の相互依存性を持つ構成銘柄の集合として、インデックスの本質的な性質を捉えられなかった。 これらの制約に対処するため、索引価格予測のために構成銘柄の適応的融合を明示的にモデル化する新しいエンドツーエンドフレームワークであるCuubicを提案する。 私たちの主な貢献は3倍です。 一 潜伏空間における融合 大量の備品から情報を抽出するために、潜伏した備品の埋入に関する融合機構を導入する。 二 バイナリエンコーディング分類:回帰タスクは連続的な値推定のために困難であるため、回帰タスクを分類タスクに再編成し、対象値を二進化し、各桁の値の予測をクロスエントロピー損失で最適化する。 三 信頼誘導予測及びトレーディング:指数予測の市場予測の不確実性に対処し、信頼度に基づくルールベースのトレーディングポリシーを設計するための正規化損失を導入する。 複数の株式市場や指標にわたる大規模な実験により、キュービックは株価指数予測タスクにおける最先端のベースラインを一貫して上回り、予測精度の指標と下流のトレーディング収益性の両方において優れたパフォーマンスを達成している。

関連論文リスト

• Smooth Quadratic Prediction Markets [6.576051895863941]
  我々はSmooth Quadratic Prediction Marketと呼ばれる新しい予測市場を提案する。 DCFMMとは対照的に、Smooth Quadratic Prediction MarketはAD証券で最悪の金融損失を被る。 本研究は,価格更新規則と料金構造が分離されているが,保証は維持されている将来の設計を示唆する。
  論文  参考訳（メタデータ） (2025-05-05T18:43:58Z)
• Assessing Uncertainty in Stock Returns: A Gaussian Mixture Distribution-Based Method [19.332951287688108]
  中国株式市場における資産返却分布の複雑で時間的な性質を捉えるための新しい深層学習モデルを導入する。 提案手法は,スキューネスやヘビーテールなどの短期変動と,ストックリターンの非伝統的な特徴を効果的に特徴付ける。 より正確なボラティリティ予測を提供し、異なる資産に対するユニークなリスク洞察を提供し、それによってリターンの不確実性に対する理解を深める。
  論文  参考訳（メタデータ） (2025-03-10T05:20:56Z)
• 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)
• 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)
• Index Tracking via Learning to Predict Market Sensitivities [1.6765420339154895]
  インデックスファンドは、コスト非効率で非現実的な指標であるインデックスを同一に複製する可能性がある。 市場感性を利用してインデックスを部分的に複製するには、予測または正確に見積もる必要がある。 本稿では,ポートフォリオとインデックスの市場感度の予測値を制御する部分インデックス追跡最適化モデルを提案する。
  論文  参考訳（メタデータ） (2022-09-02T01:52:10Z)
• HIST: A Graph-based Framework for Stock Trend Forecasting via Mining Concept-Oriented Shared Information [73.40830291141035]
  近年,Webから抽出したストック概念を用いて共有情報をマイニングし,予測結果を改善する手法が提案されている。 これまでの研究では、ストックとコンセプトのつながりは定常的であり、ストックとコンセプトのダイナミックな関連性を無視していた。 本稿では,事前定義された概念と隠れた概念から,概念指向の共有情報を適切にマイニングできる新しいストックトレンド予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-26T14:04:04Z)
• Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
  本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。 ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。 2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
  論文  参考訳（メタデータ） (2021-09-14T18:50:38Z)
• A Sentiment Analysis Approach to the Prediction of Market Volatility [62.997667081978825]
  金融ニュースとツイートから抽出された感情とFTSE100の動きの関係を調べました。 ニュース見出しから得られた感情は、市場のリターンを予測するシグナルとして使われる可能性があるが、ボラティリティには当てはまらない。 我々は,新たな情報の到着に応じて,市場の変動を予測するための正確な分類器を開発した。
  論文  参考訳（メタデータ） (2020-12-10T01:15:48Z)

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。