論文の概要: RegimeNAS: Regime-Aware Differentiable Architecture Search With Theoretical Guarantees for Financial Trading
- arxiv url: http://arxiv.org/abs/2508.11338v1
- Date: Fri, 15 Aug 2025 09:09:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-18 14:51:23.812927
- Title: RegimeNAS: Regime-Aware Differentiable Architecture Search With Theoretical Guarantees for Financial Trading
- Title（参考訳）: RegimeNAS: 金融取引のための理論的保証を備えたレジーム対応の差別化可能なアーキテクチャ検索
- Authors: Prathamesh Devadiga, Yashmitha Shailesh,
- Abstract要約: RegimeNASは、市場体制の意識を明示的に統合することで、暗号通貨取引のパフォーマンスを高めるために設計された、差別化可能なアーキテクチャ検索フレームワークである。
R RegimeNASは最先端のベンチマークを著しく上回り、平均絶対誤差を80.3%削減した。
この研究は、NASプロセスに直接、市場体制のようなドメイン固有の知識を組み込んで、挑戦的な金融アプリケーションのための堅牢で適応的なモデルを開発することの衝動を浮き彫りにしている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce RegimeNAS, a novel differentiable architecture search framework specifically designed to enhance cryptocurrency trading performance by explicitly integrating market regime awareness. Addressing the limitations of static deep learning models in highly dynamic financial environments, RegimeNAS features three core innovations: (1) a theoretically grounded Bayesian search space optimizing architectures with provable convergence properties; (2) specialized, dynamically activated neural modules (Volatility, Trend, and Range blocks) tailored for distinct market conditions; and (3) a multi-objective loss function incorporating market-specific penalties (e.g., volatility matching, transition smoothness) alongside mathematically enforced Lipschitz stability constraints. Regime identification leverages multi-head attention across multiple timeframes for improved accuracy and uncertainty estimation. Rigorous empirical evaluation on extensive real-world cryptocurrency data demonstrates that RegimeNAS significantly outperforms state-of-the-art benchmarks, achieving an 80.3% Mean Absolute Error reduction compared to the best traditional recurrent baseline and converging substantially faster (9 vs. 50+ epochs). Ablation studies and regime-specific analysis confirm the critical contribution of each component, particularly the regime-aware adaptation mechanism. This work underscores the imperative of embedding domain-specific knowledge, such as market regimes, directly within the NAS process to develop robust and adaptive models for challenging financial applications.
- Abstract（参考訳）: 本稿では、市場体制の意識を明示的に統合し、暗号通貨取引性能を高めるために設計された、新しい差別化可能なアーキテクチャ検索フレームワークであるRegimeNASを紹介する。
高ダイナミックな金融環境における静的深層学習モデルの限界に対処するため、RegimeNASは、(1)証明可能な収束特性を持つアーキテクチャを最適化する理論的基礎を持つベイズ探索空間、(2)異なる市場条件に合わせた、動的に活性化される神経モジュール(ボラティリティ、トレンド、レンジブロック)、(3)数学的に強制されたリプシッツ安定性の制約とともに、市場固有のペナルティ(ボラティリティマッチング、トランジッションスムーズネス)を組み込んだ多目的損失関数である。
レジーム識別は、複数の時間枠にまたがるマルチヘッドアテンションを活用し、精度と不確実性の推定を改善する。
大規模な実世界の暗号通貨データに対する厳密な実証的な評価は、RegimeNASが最先端のベンチマークを著しく上回り、最高のリカレントベースラインに比べて80.3%の平均絶対誤差が減少し、収束が著しく速い(9対50以上のエポック)ことを示している。
アブレーション研究とレギュラー特異的分析は、各成分、特にレギュラー対応機構の重要な寄与を裏付ける。
この研究は、NASプロセスに直接、市場体制のようなドメイン固有の知識を組み込んで、挑戦的な金融アプリケーションのための堅牢で適応的なモデルを開発することの衝動を浮き彫りにしている。
関連論文リスト
- Quantum Reinforcement Learning Trading Agent for Sector Rotation in the Taiwan Stock Market [7.360168388085351]
台湾株式市場におけるセクターローテーションのためのハイブリッド量子古典的強化学習フレームワークを提案する。
量子強化モデルは、常により高いトレーニング報酬を達成するが、それらは現実世界の投資指標において古典的なモデルより劣る。
この不一致は、金融分野に強化学習を適用する上での課題を浮き彫りにしている。
論文 参考訳（メタデータ） (2025-06-26T01:29:19Z) - Tuning for Trustworthiness -- Balancing Performance and Explanation Consistency in Neural Network Optimization [49.567092222782435]
我々は,異なる特徴帰属法間の合意として定義された,XAI整合性という新しい概念を紹介する。
予測性能と説明のバランスをとる多目的最適化フレームワークを構築した。
本研究は、トレードオフゾーンバランス性能損失とXAI整合性による強靭性向上のモデルについて、今後の研究基盤を提供する。
論文 参考訳（メタデータ） (2025-05-12T13:19:14Z) - SMARTFinRAG: Interactive Modularized Financial RAG Benchmark [0.0]
金融セクターは、言語モデル技術を急速に採用しているが、この領域で専門的なRAGシステムを評価することは依然として困難である。
本稿では、SMARTFinRAGについて、1)実行時に動的にコンポーネントを交換できる完全にモジュール化されたアーキテクチャ、2)新たに摂取した財務文書からドメイン固有のQAペアを生成する文書中心評価パラダイム、3)調査実装の分割を記述した直感的なインターフェース、の3つの重要なギャップに対処する。
論文 参考訳（メタデータ） (2025-04-25T02:29:56Z) - NAPER: Fault Protection for Real-Time Resource-Constrained Deep Neural Networks [18.36502256662319]
メモリビットフリップはディープニューラルネットワーク(DNN)の精度を著しく低下させる
Triple Modular Redundancy (TMR)のような従来の保護アプローチは、信頼性を維持するために精度を犠牲にすることが多い。
我々は,この課題にアンサンブル学習を通じて対処する新しい保護手法であるNAPERを紹介する。
論文 参考訳（メタデータ） (2025-04-09T05:37:54Z) - 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) - 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) - On the KL-Divergence-based Robust Satisficing Model [2.425685918104288]
頑丈さを満足させる枠組みは 学界から注目を集めています
本稿では,解析的解釈,多様な性能保証,効率的で安定した数値法,収束解析,階層型データ構造に適した拡張について述べる。
我々は、最先端のベンチマークと比較して、モデルの性能が優れていることを実証する。
論文 参考訳（メタデータ） (2024-08-17T10:05:05Z) - Slimmable Domain Adaptation [112.19652651687402]
重み付けモデルバンクを用いて、ドメイン間の一般化を改善するためのシンプルなフレームワーク、Slimmable Domain Adaptationを導入する。
私たちのフレームワークは、他の競合するアプローチを、複数のベンチマークにおいて非常に大きなマージンで上回ります。
論文 参考訳（メタデータ） (2022-06-14T06:28:04Z) - 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) - Dynamic Federated Learning [57.14673504239551]
フェデレートラーニング(Federated Learning)は、マルチエージェント環境における集中的なコーディネーション戦略の包括的用語として登場した。
我々は、各イテレーションにおいて、利用可能なエージェントのランダムなサブセットがそのデータに基づいてローカル更新を実行する、フェデレートされた学習モデルを考える。
集約最適化問題に対する真の最小化器上の非定常ランダムウォークモデルの下で、アーキテクチャの性能は、各エージェントにおけるデータ変動率、各エージェントにおけるモデル変動率、アルゴリズムの学習率に逆比例する追跡項の3つの要因によって決定されることを示す。
論文 参考訳（メタデータ） (2020-02-20T15:00:54Z)
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。