論文の概要: KASPER: Kolmogorov Arnold Networks for Stock Prediction and Explainable Regimes

• arxiv url: http://arxiv.org/abs/2507.18983v1
• Date: Fri, 25 Jul 2025 06:21:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-28 16:16:48.840095
• Title: KASPER: Kolmogorov Arnold Networks for Stock Prediction and Explainable Regimes
• Title（参考訳）: KASPER:Kolmogorov Arnold Networks for Stock Prediction and Explainable Regimes
• Authors: Vidhi Oad, Param Pathak, Nouhaila Innan, Shalini D, Muhammad Shafique,
• Abstract要約: 我々はストック予測と説明可能なレジーム(KASPER)のためのコルモゴロフ・アルノルドネットワークを紹介する。 このフレームワークは、Gumbel-Softmaxベースのメカニズムを使用して隠れた市場状況を特定し、システマティックな予測を可能にする。 R2$スコア0.89、シャープ比12.02、平均2乗誤差0.0001で、既存の手法より優れている。
• 参考スコア（独自算出の注目度）: 3.301343600748331
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Forecasting in financial markets remains a significant challenge due to their nonlinear and regime-dependent dynamics. Traditional deep learning models, such as long short-term memory networks and multilayer perceptrons, often struggle to generalize across shifting market conditions, highlighting the need for a more adaptive and interpretable approach. To address this, we introduce Kolmogorov-Arnold networks for stock prediction and explainable regimes (KASPER), a novel framework that integrates regime detection, sparse spline-based function modeling, and symbolic rule extraction. The framework identifies hidden market conditions using a Gumbel-Softmax-based mechanism, enabling regime-specific forecasting. For each regime, it employs Kolmogorov-Arnold networks with sparse spline activations to capture intricate price behaviors while maintaining robustness. Interpretability is achieved through symbolic learning based on Monte Carlo Shapley values, which extracts human-readable rules tailored to each regime. Applied to real-world financial time series from Yahoo Finance, the model achieves an $R^2$ score of 0.89, a Sharpe Ratio of 12.02, and a mean squared error as low as 0.0001, outperforming existing methods. This research establishes a new direction for regime-aware, transparent, and robust forecasting in financial markets.
• Abstract（参考訳）: 金融市場の予測は、その非線形かつ体制に依存したダイナミクスのため、依然として重大な課題である。 長い短期記憶ネットワークや多層パーセプトロンといった従来のディープラーニングモデルは、市場状況の変化にまたがる一般化に苦慮し、より適応的で解釈可能なアプローチの必要性を強調している。 そこで我々は,ストック予測と説明可能なシステマティクス(KASPER)のためのKolmogorov-Arnoldネットワークを紹介した。 このフレームワークは、Gumbel-Softmaxベースのメカニズムを使用して隠れた市場状況を特定し、システマティックな予測を可能にする。 それぞれの体制において、ロバスト性を維持しながら複雑な価格変動を捉えるために、スパーススプラインアクティベーションを備えたコルモゴロフ・アルノルドネットワークを使用している。 解釈可能性(英: Interpretability)は、モンテカルロ・シャプリの値に基づくシンボリックラーニングによって達成される。 Yahoo Financeのファイナンシャル・タイム・シリーズでは、R^2$スコアが0.89、シャープ比が12.02、平均2乗誤差が0.0001で、既存の手法を上回っている。 本研究は、金融市場における体制対応、透明性、堅牢な予測のための新たな方向性を確立する。

関連論文リスト

• End-to-End Large Portfolio Optimization for Variance Minimization with Neural Networks through Covariance Cleaning [0.0]
  我々は,世界規模の最小分散ポートフォリオを提供する回転不変ニューラルネットワークを開発した。 この明示的な数学的写像は各加群の役割を明確に解釈できる。 単一モデルは数百株のパネルで校正でき、再訓練せずに1000米国株に適用される。
  論文  参考訳（メタデータ） (2025-07-02T17:27:29Z)
• Conditional Forecasting of Margin Calls using Dynamic Graph Neural Networks [0.0]
  本稿では,時間的金融ネットワークにおける予測問題に先立って,条件付き$m$-stepを解くための新しい動的グラフニューラルネットワークアーキテクチャを提案する。 我々の研究は、ネットワークのダイナミクスをストレステストの実践にうまく組み込むことで、規制当局や政策立案者にシステム的リスク監視の重要なツールを提供することを実証している。
  論文  参考訳（メタデータ） (2024-10-30T17:55:41Z)
• GARCH-Informed Neural Networks for Volatility Prediction in Financial Markets [0.0]
  マーケットのボラティリティを計測し、予測する新しいハイブリッドなDeep Learningモデルを提案する。 他の時系列モデルと比較すると、GINNは決定係数(R2$)、平均正方形誤差(MSE)、平均絶対誤差(MAE)の点で優れたサンプル外予測性能を示した。
  論文  参考訳（メタデータ） (2024-09-30T23:53:54Z)
• COPlanner: Plan to Roll Out Conservatively but to Explore Optimistically for Model-Based RL [50.385005413810084]
  ダイナスタイルのモデルベース強化学習には、ポリシー学習と実環境探索のためのサンプルを生成するモデルロールアウトという2つのフェーズが含まれる。 $textttCOPlanner$は、不正確な学習された動的モデル問題に対処するモデルベースのメソッドのための計画駆動フレームワークである。
  論文  参考訳（メタデータ） (2023-10-11T06:10:07Z)
• 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)
• Robustness Certificates for Implicit Neural Networks: A Mixed Monotone Contractive Approach [60.67748036747221]
  暗黙のニューラルネットワークは、競合性能とメモリ消費の削減を提供する。 入力逆流の摂動に関して、それらは不安定なままである。 本稿では,暗黙的ニューラルネットワークのロバスト性検証のための理論的および計算的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-12-10T03:08:55Z)
• Deep Switching State Space Model (DS$^3$M) for Nonlinear Time Series Forecasting with Regime Switching [2.8579459256051316]
  我々はDeep Switching State Space Model(DS$3$M)として知られる新しいモデリングフレームワークを紹介する。 このフレームワークは、動的に隠された不規則な状態を特定しながら、そのような時系列の正確な予測を行うように設計されている。 本研究は,DS$3$Mの短期および長期の予測テストを通じて,シミュレーションおよび実世界の幅広いデータセット上でのDS$3$Mの有効性とレギュラー識別能力を検証する。
  論文  参考訳（メタデータ） (2021-06-04T08:25:47Z)
• Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
  我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。 トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
  論文  参考訳（メタデータ） (2020-10-27T17:54:12Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)
• Do Wider Neural Networks Really Help Adversarial Robustness? [92.8311752980399]
  モデルロバスト性は自然精度と摂動安定性のトレードオフと密接に関係していることを示す。 本稿では,ワイドモデル上でラムダ$を適応的に拡大するWidth Adjusted Regularization(WAR)手法を提案する。
  論文  参考訳（メタデータ） (2020-10-03T04:46:17Z)
• Adaptive Control and Regret Minimization in Linear Quadratic Gaussian (LQG) Setting [91.43582419264763]
  我々は不確実性に直面した楽観主義の原理に基づく新しい強化学習アルゴリズムLqgOptを提案する。 LqgOptはシステムのダイナミクスを効率的に探索し、モデルのパラメータを信頼区間まで推定し、最も楽観的なモデルのコントローラをデプロイする。
  論文  参考訳（メタデータ） (2020-03-12T19:56:38Z)
• A Bayesian Long Short-Term Memory Model for Value at Risk and Expected Shortfall Joint Forecasting [26.834110647177965]
  バリュー・アット・リスク(VaR)と期待不足(ES)は、市場リスクを測定し、極端な市場の動きを管理するために金融セクターで広く利用されている。 量子化スコア関数と非対称ラプラス密度の最近の関係は、VaRとESのジョイントモデリングのためのフレキシブルな可能性に基づく枠組みにつながっている。 Asymmetric Laplace quasi-likelihoodをベースとしたハイブリッドモデルを開発し、機械学習のLong Short-Term Memory(LSTM)時系列モデリング技術を用いて、VaRとESの基盤となるダイナミクスを効率的に捉える。
  論文  参考訳（メタデータ） (2020-01-23T05:13:36Z)

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。