論文の概要: TIP-Search: Time-Predictable Inference Scheduling for Market Prediction under Uncertain Load
- arxiv url: http://arxiv.org/abs/2506.08026v2
- Date: Mon, 16 Jun 2025 19:58:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-18 15:22:20.931927
- Title: TIP-Search: Time-Predictable Inference Scheduling for Market Prediction under Uncertain Load
- Title(参考訳): TIP-Search:不確実な負荷下での市場予測のための時間予測可能な推論スケジューリング
- Authors: Xibai Wang,
- Abstract要約: TIP-Searchは、不確実なワークロード下でのリアルタイム市場予測のための時間予測可能な推論スケジューリングフレームワークである。
TIP-Searchを3つの実世界のリミットオーダーブックデータセットで評価する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper proposes TIP-Search, a time-predictable inference scheduling framework for real-time market prediction under uncertain workloads. Motivated by the strict latency demands in high-frequency financial systems, TIP-Search dynamically selects a deep learning model from a heterogeneous pool, aiming to maximize predictive accuracy while satisfying per-task deadline constraints. Our approach profiles latency and generalization performance offline, then performs online task-aware selection without relying on explicit input domain labels. We evaluate TIP-Search on three real-world limit order book datasets (FI-2010, Binance BTC/USDT, LOBSTER AAPL) and demonstrate that it outperforms static baselines with up to 8.5% improvement in accuracy and 100% deadline satisfaction. Our results highlight the effectiveness of TIP-Search in robust low-latency financial inference under uncertainty.
- Abstract(参考訳): 本稿では、不確実なワークロード下でのリアルタイム市場予測のための時間予測可能な推論スケジューリングフレームワークであるTIP-Searchを提案する。
TIP-Searchは、高周波金融システムにおける厳格なレイテンシ要求により、異種プールからディープラーニングモデルを動的に選択し、タスク毎の期限制約を満たすとともに予測精度を最大化することを目的としている。
我々のアプローチはレイテンシと一般化性能をオフラインでプロファイルし、明示的な入力ドメインラベルに頼ることなくオンラインタスク認識選択を行う。
実世界のリミテッド・オーダー・ブック・データセット(FI-2010, Binance BTC/USDT, LOBSTER AAPL)を用いてTIP-Searchを評価し, 最大8.5%の精度向上, 100%の納期満足度で静的ベースラインを上回っていることを示す。
この結果から,不確実性下での堅牢な低レイテンシ財務推論におけるTIP-Searchの有効性が示唆された。
関連論文リスト
- Timing is Important: Risk-aware Fund Allocation based on Time-Series Forecasting [10.540006708939647]
我々は、資金配分の問題を解決するために、リスク対応の時系列予測(RTS-PnO)フレームワークを導入する。
このフレームワークには, 目標アライメント測定によるエンドツーエンドトレーニング, (ii) 適応予測の不確実性校正, (iii) 予測モデルに非依存な3つの特徴がある。
RTS-PnOの評価はオンラインとオフラインの両方の実験で行われている。
論文 参考訳(メタデータ) (2025-05-30T17:36:45Z) - FinTSB: A Comprehensive and Practical Benchmark for Financial Time Series Forecasting [58.70072722290475]
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。
論文 参考訳(メタデータ) (2025-02-26T05:19:16Z) - Anytime Incremental $ρ$POMDP Planning in Continuous Spaces [5.767643556541711]
我々は、時間とともに改善の正式な保証とともに、信念表現を動的に洗練する時限解法を提案する。
一般的なエントロピー推定器の有効性を示し、計算コストを桁違いに削減する。
実験の結果,$rho$POMCPOW は効率と解品質の両方において最先端の解法よりも優れていた。
論文 参考訳(メタデータ) (2025-02-04T18:19:40Z) - SURE: SUrvey REcipes for building reliable and robust deep networks [12.268921703825258]
本稿では,深層ニューラルネットワークにおける不確実性推定手法を再検討し,信頼性を高めるために一連の手法を統合する。
我々は,不確実性推定の有効性を示す重要なテストベッドである故障予測のベンチマークに対して,SUREを厳格に評価する。
データ破損、ラベルノイズ、長い尾のクラス分布といった現実世界の課題に適用した場合、SUREは顕著な堅牢性を示し、現在の最先端の特殊手法と同等あるいは同等な結果をもたらす。
論文 参考訳(メタデータ) (2024-03-01T13:58:19Z) - Score Matching-based Pseudolikelihood Estimation of Neural Marked
Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。
具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。
提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
論文 参考訳(メタデータ) (2023-10-25T02:37:51Z) - 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) - 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) - Low-Rank Temporal Attention-Augmented Bilinear Network for financial
time-series forecasting [93.73198973454944]
ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。
近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。
本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
論文 参考訳(メタデータ) (2021-07-05T10:15:23Z) - The Benefit of the Doubt: Uncertainty Aware Sensing for Edge Computing
Platforms [10.86298377998459]
組込みエッジシステム上に展開されたNNにおける予測不確実性推定のための効率的なフレームワークを提案する。
フレームワークは1つのフォワードパスのみに基づいて予測の不確実性を提供するために、ゼロから構築されている。
提案手法は, 堅牢かつ正確な不確実性推定だけでなく, システム性能の点で最先端の手法よりも優れている。
論文 参考訳(メタデータ) (2021-02-11T11:44:32Z)
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。