論文の概要: FinCast: A Foundation Model for Financial Time-Series Forecasting

• arxiv url: http://arxiv.org/abs/2508.19609v1
• Date: Wed, 27 Aug 2025 06:44:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-28 19:07:41.52445
• Title: FinCast: A Foundation Model for Financial Time-Series Forecasting
• Title（参考訳）: FinCast:金融時系列予測の基礎モデル
• Authors: Zhuohang Zhu, Haodong Chen, Qiang Qu, Vera Chung,
• Abstract要約: FinCastは、大規模な金融データセットに基づいてトレーニングされた金融時系列予測用に特別に設計された最初の基礎モデルである。 堅牢なゼロショットパフォーマンスを示し、ドメイン固有の微調整なしで、効果的に多様なパターンをキャプチャする。
• 参考スコア（独自算出の注目度）: 9.541414629606207
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Financial time-series forecasting is critical for maintaining economic stability, guiding informed policymaking, and promoting sustainable investment practices. However, it remains challenging due to various underlying pattern shifts. These shifts arise primarily from three sources: temporal non-stationarity (distribution changes over time), multi-domain diversity (distinct patterns across financial domains such as stocks, commodities, and futures), and varying temporal resolutions (patterns differing across per-second, hourly, daily, or weekly indicators). While recent deep learning methods attempt to address these complexities, they frequently suffer from overfitting and typically require extensive domain-specific fine-tuning. To overcome these limitations, we introduce FinCast, the first foundation model specifically designed for financial time-series forecasting, trained on large-scale financial datasets. Remarkably, FinCast exhibits robust zero-shot performance, effectively capturing diverse patterns without domain-specific fine-tuning. Comprehensive empirical and qualitative evaluations demonstrate that FinCast surpasses existing state-of-the-art methods, highlighting its strong generalization capabilities.
• Abstract（参考訳）: 金融時系列予測は、経済安定の維持、情報的政策策定の指導、持続的な投資慣行の促進に不可欠である。 しかし、様々なパターンシフトのため、これは依然として挑戦的だ。 これらの変化は主に、時間的非定常性(時間とともに分布が変化する)、多領域の多様性(株式、商品、先物といった金融領域にまたがる個別のパターン)、時間的解決(秒毎、時間毎、日毎、週毎の指標によって異なるパターン)の3つの源から生じる。 最近のディープラーニング手法は、これらの複雑さに対処しようとするが、しばしば過度な適合に悩まされ、通常、広範囲なドメイン固有の微調整を必要とする。 これらの制限を克服するために、金融時系列予測用に特別に設計された最初の基礎モデルであるFinCastを導入し、大規模金融データセットに基づいてトレーニングする。 注目すべきは、FinCastは堅牢なゼロショットパフォーマンスを示し、ドメイン固有の微調整なしで、効果的に多様なパターンをキャプチャする。 総合的な経験的および定性的な評価は、FinCastが既存の最先端の手法を超越し、その強力な一般化能力を強調していることを示している。

関連論文リスト

• DELPHYNE: A Pre-Trained Model for General and Financial Time Series [2.601248228220401]
  時系列データは、パターンの検出、市場の振る舞いの理解、過去のデータに基づく情報的意思決定を支援する金融アプリケーションにおいて有用である。 言語モデリングの最近の進歩は、膨大なデータセットのコレクションに基づいてトレーニングされ、金融分野にまたがる多様なタスクに適用される、時系列事前訓練モデルの台頭につながっている。 しかし、既存の時系列事前訓練モデルでは、ゼロショットと微調整の両方で単純な財務ベンチマークよりもパフォーマンスが向上していない。
  論文  参考訳（メタデータ） (2025-05-12T16:53:29Z)
• FinTSBridge: A New Evaluation Suite for Real-world Financial Prediction with Advanced Time Series Models [17.939409001141602]
  最先端の時系列予測モデルと金融資産価格を結びつける橋がまだ必要である。 ファイナンシャルドメインから3つのデータセットを構築し、最近の研究から10回の時系列予測モデルを選択した。 MSE と MAE に加えて msIC と msIR という新たな指標を開発した。
  論文  参考訳（メタデータ） (2025-03-10T05:19:13Z)
• 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)
• General Time-series Model for Universal Knowledge Representation of Multivariate Time-Series data [61.163542597764796]
  周波数領域で異なる時間粒度(または対応する周波数分解能)の時系列が異なる結合分布を示すことを示す。 時間領域と周波数領域の両方からタイムアウェア表現を学習するために,新しいFourierナレッジアテンション機構を提案する。 自己回帰的空白埋め込み事前学習フレームワークを時系列解析に初めて組み込み、生成タスクに依存しない事前学習戦略を実現する。
  論文  参考訳（メタデータ） (2025-02-05T15:20:04Z)
• Demystifying Domain-adaptive Post-training for Financial LLMs [79.581577578952]
  FINDAPは、大規模言語モデル(LLM)のドメイン適応後学習に関する体系的できめ細かな研究である このアプローチは、FinCap、FinRec、FinTrain、FinEvalの4つの重要なコンポーネントで構成されています。 結果として得られるモデルであるLlama-Finは、幅広い財務タスクで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-01-09T04:26:15Z)
• Learning Latent Spaces for Domain Generalization in Time Series Forecasting [60.29403194508811]
  時系列予測は多くの実世界のアプリケーションにおいて不可欠であるが、見つからない関連ドメインをうまく一般化するモデルの開発はまだ未定である。 本稿では,ドメイン間の時間的依存関係を規定する潜在因子をマイニングすることで時系列予測におけるドメイン一般化の枠組みを提案する。 提案手法では,新しい条件付き$beta$-Variational Autoencoder (VAE) を用いて,時系列データをトレンド周期および季節成分に分解する。
  論文  参考訳（メタデータ） (2024-12-15T12:41:53Z)
• Large Language Models for Financial Aid in Financial Time-series Forecasting [0.4218593777811082]
  金融支援の時系列予測は、限られた歴史的データセットと高次元財務情報のために困難である。 我々は、従来のアプローチよりも優れた性能を示すために、事前訓練されたLPM(GPT-2をバックボーンとする)、トランスフォーマー、線形モデルなど、最先端の時系列モデルを用いている。
  論文  参考訳（メタデータ） (2024-10-24T12:41:47Z)
• 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)
• 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。