論文の概要: CTBench: Cryptocurrency Time Series Generation Benchmark

• arxiv url: http://arxiv.org/abs/2508.02758v1
• Date: Sun, 03 Aug 2025 17:07:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-06 18:18:55.612205
• Title: CTBench: Cryptocurrency Time Series Generation Benchmark
• Title（参考訳）: CTBench: 暗号時間時系列生成ベンチマーク
• Authors: Yihao Ang, Qiang Wang, Qiang Huang, Yifan Bao, Xinyu Xi, Anthony K. H. Tung, Chen Jin, Zhiyong Huang,
• Abstract要約: textsfCTBenchは、暗号ドメイン用に調整された、最初の総合的なTSGベンチマークである。 textsfCTBenchは、452トークンからオープンソースのデータセットをキュレートし、5つの主要な次元にまたがる13のメトリクスにわたるTSGモデルを評価する。 4つの異なる市場体制にまたがる5つの方法論家を代表する8つのモデルをベンチマークし、統計的忠実性と現実世界の収益性の間のトレードオフを明らかにする。
• 参考スコア（独自算出の注目度）: 11.576635693346486
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Synthetic time series are essential tools for data augmentation, stress testing, and algorithmic prototyping in quantitative finance. However, in cryptocurrency markets, characterized by 24/7 trading, extreme volatility, and rapid regime shifts, existing Time Series Generation (TSG) methods and benchmarks often fall short, jeopardizing practical utility. Most prior work (1) targets non-financial or traditional financial domains, (2) focuses narrowly on classification and forecasting while neglecting crypto-specific complexities, and (3) lacks critical financial evaluations, particularly for trading applications. To address these gaps, we introduce \textsf{CTBench}, the first comprehensive TSG benchmark tailored for the cryptocurrency domain. \textsf{CTBench} curates an open-source dataset from 452 tokens and evaluates TSG models across 13 metrics spanning 5 key dimensions: forecasting accuracy, rank fidelity, trading performance, risk assessment, and computational efficiency. A key innovation is a dual-task evaluation framework: (1) the \emph{Predictive Utility} task measures how well synthetic data preserves temporal and cross-sectional patterns for forecasting, while (2) the \emph{Statistical Arbitrage} task assesses whether reconstructed series support mean-reverting signals for trading. We benchmark eight representative models from five methodological families over four distinct market regimes, uncovering trade-offs between statistical fidelity and real-world profitability. Notably, \textsf{CTBench} offers model ranking analysis and actionable guidance for selecting and deploying TSG models in crypto analytics and strategy development.
• Abstract（参考訳）: 合成時系列は、定量的ファイナンスにおけるデータ拡張、ストレステスト、アルゴリズムによるプロトタイピングに不可欠なツールである。 しかし、24/7のトレーディング、極端なボラティリティ、急激な政権交代を特徴とする暗号通貨市場では、既存の時系列生成(TSG)手法とベンチマークが不足し、実用性を脅かすことがしばしばある。 本研究は,(1)非金融・伝統的金融分野を対象とし,(2)暗号特有の複雑さを無視しつつ,分類・予測に限定し,(3)重要な財務評価を欠いている。 これらのギャップに対処するために、暗号ドメイン用に調整された最初の総合TSGベンチマークである \textsf{CTBench} を紹介する。 \textsf{CTBench}は、452のトークンからオープンソースデータセットをキュレートし、正確性、ランク忠実性、トレーディングパフォーマンス、リスク評価、計算効率の5つの主要な次元にまたがる13のメトリクスにわたるTSGモデルを評価する。 1) 合成データが予測のための時間的・横断的なパターンをいかによく保存するかを計測し、(2) 再構成された系列が取引のための平均回帰信号をサポートするかどうかを評価する。 4つの異なる市場体制にまたがる5つの方法論家を代表する8つのモデルをベンチマークし、統計的忠実性と現実世界の収益性の間のトレードオフを明らかにする。 特に、 \textsf{CTBench} は、暗号分析と戦略開発におけるTSGモデルの選択とデプロイのためのモデルランキング分析と実行可能なガイダンスを提供する。

関連論文リスト

• 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)
• Innovative Sentiment Analysis and Prediction of Stock Price Using FinBERT, GPT-4 and Logistic Regression: A Data-Driven Approach [0.0]
  本研究では、感情分析と株価指数予測のための最先端AIモデル、すなわちTranssformers (FinBERT)、Generatice Pre-trained Transformer GPT-4、Logistic Regressionの比較パフォーマンスについて検討する。 GPT-4やFinBERTといった高度な自然言語処理モデルと従来の機械学習モデルであるロジスティック回帰を活用することで、市場の感情を分類し、感情スコアを生成し、市場価格の動きを予測することを目指している。
  論文  参考訳（メタデータ） (2024-12-07T05:20:31Z)
• Advanced Risk Prediction and Stability Assessment of Banks Using Time Series Transformer Models [10.79035001851989]
  本稿では,時系列トランスモデルに基づく予測フレームワークを提案する。 モデルとLSTM, GRU, CNN, TCN, RNN-Transformerモデルを比較した。 実験結果から,Time Series Transformerモデルは平均二乗誤差(MSE)と平均絶対誤差(MAE)評価指標の両方において,他のモデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-12-04T08:15:27Z)
• Forecasting Foreign Exchange Market Prices Using Technical Indicators with Deep Learning and Attention Mechanism [0.46040036610482665]
  提案アーキテクチャは,Long Short-Term Memory(LSTM)とConvolutional Neural Network(CNN)で構成されている。 技術的指標を用いて、Forex通貨ペアデータから統計的特徴を抽出する。 LSTMおよびCNNネットワークは、将来の価格変動を予測するために並列に使用される。
  論文  参考訳（メタデータ） (2024-11-29T15:07:44Z)
• BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges [55.2480439325792]
  本稿では,時系列予測や資産価格の急上昇の予測に特化して,新たな大規模言語モデル(LLM)アーキテクチャであるBreakGPTを紹介する。 我々は、最小限のトレーニングで財務予測を行うための有望なソリューションとしてBreakGPTを紹介し、局所的およびグローバルな時間的依存関係をキャプチャする強力な競合相手として紹介する。
  論文  参考訳（メタデータ） (2024-11-09T05:40:32Z)
• Enhancing Financial Data Visualization for Investment Decision-Making [0.04096453902709291]
  本稿では,ストックダイナミクスを予測するLong Short-Term Memory(LSTM)ネットワークの可能性について検討する。 この研究は、複雑なパターンをキャプチャするLSTMの能力を高めるために、複数の特徴を取り入れている。 LSTMには25日間のタイムステップで重要な価格とボリューム特性が組み込まれている。
  論文  参考訳（メタデータ） (2023-12-09T07:53:25Z)
• 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)
• ARISE: ApeRIodic SEmi-parametric Process for Efficient Markets without Periodogram and Gaussianity Assumptions [91.3755431537592]
  我々は、効率的な市場を調査するためのApeRI-miodic(ARISE)プロセスを提案する。 ARISEプロセスは、いくつかの既知のプロセスの無限サムとして定式化され、周期スペクトル推定を用いる。 実際に,実世界の市場の効率性を明らかにするために,ARISE関数を適用した。
  論文  参考訳（メタデータ） (2021-11-08T03:36:06Z)
• 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。

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。