論文の概要: Mitigating Distribution Shift in Stock Price Data via Return-Volatility Normalization for Accurate Prediction

• arxiv url: http://arxiv.org/abs/2508.20108v1
• Date: Wed, 13 Aug 2025 15:20:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-31 21:54:20.627692
• Title: Mitigating Distribution Shift in Stock Price Data via Return-Volatility Normalization for Accurate Prediction
• Title（参考訳）: 精度予測のための回帰揮発性正規化による株価データの分布変化の緩和
• Authors: Hyunwoo Lee, Jihyeong Jeon, Jaemin Hong, U Kang,
• Abstract要約: 本稿では,分散シフト問題に明示的に対処する,株価予測のための頑健な手法であるReVolを提案する。 ReVolは、これらのシフトを軽減するために、3つの重要な戦略を活用する。 ReVolは、ほとんどの場合、最先端のバックボーンモデルの性能を向上させる。
• 参考スコア（独自算出の注目度）: 18.422228047849305
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: How can we address distribution shifts in stock price data to improve stock price prediction accuracy? Stock price prediction has attracted attention from both academia and industry, driven by its potential to uncover complex market patterns and enhance decisionmaking. However, existing methods often fail to handle distribution shifts effectively, focusing on scaling or representation adaptation without fully addressing distributional discrepancies and shape misalignments between training and test data. We propose ReVol (Return-Volatility Normalization for Mitigating Distribution Shift in Stock Price Data), a robust method for stock price prediction that explicitly addresses the distribution shift problem. ReVol leverages three key strategies to mitigate these shifts: (1) normalizing price features to remove sample-specific characteristics, including return, volatility, and price scale, (2) employing an attention-based module to estimate these characteristics accurately, thereby reducing the influence of market anomalies, and (3) reintegrating the sample characteristics into the predictive process, restoring the traits lost during normalization. Additionally, ReVol combines geometric Brownian motion for long-term trend modeling with neural networks for short-term pattern recognition, unifying their complementary strengths. Extensive experiments on real-world datasets demonstrate that ReVol enhances the performance of the state-of-the-art backbone models in most cases, achieving an average improvement of more than 0.03 in IC and over 0.7 in SR across various settings.
• Abstract（参考訳）: 株価データの分布変化にどう対処すれば株価予測精度を向上できるのか? 株価の予測は、複雑な市場パターンを明らかにし、意思決定を強化する可能性によって、学術と産業の両方から注目を集めている。 しかし、既存の方法では、分散シフトを効果的に処理できず、分散の相違を完全に解決することなく、スケーリングや表現適応に集中し、トレーニングデータとテストデータ間の不一致を形作る。 本稿では, 株価変動問題に明示的に対処する, 株価予測のための頑健な手法であるReVolを提案する。 ReVolは、価格特性を正規化して、リターン、ボラティリティ、価格スケールなどのサンプル特有の特性を除去し、注意ベースのモジュールを用いてこれらの特性を正確に推定し、市場異常の影響を低減し、そして、サンプル特性を予測プロセスに統合し、正常化時に失われた特性を復元する3つの重要な戦略を利用する。 さらにReVolは、幾何学的ブラウン運動と長期トレンドモデリングと、短期パターン認識のためのニューラルネットワークを組み合わせることで、補完的な強みを統一する。 実世界のデータセットに関する大規模な実験は、ReVolが最先端のバックボーンモデルの性能を向上させることを示し、ICでは0.03以上、SRでは0.7以上という平均的な改善を実現している。

関連論文リスト

• Why Regression? Binary Encoding Classification Brings Confidence to Stock Market Index Price Prediction [13.19419686734908]
  本稿では,指標価格予測のために構成銘柄の適応的融合を明示的にモデル化する新しいエンドツーエンドフレームワークを提案する。 Cubicは、ストックインデックス予測タスクにおける最先端のベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2025-05-18T15:45:41Z)
• Assessing Uncertainty in Stock Returns: A Gaussian Mixture Distribution-Based Method [19.332951287688108]
  中国株式市場における資産返却分布の複雑で時間的な性質を捉えるための新しい深層学習モデルを導入する。 提案手法は,スキューネスやヘビーテールなどの短期変動と,ストックリターンの非伝統的な特徴を効果的に特徴付ける。 より正確なボラティリティ予測を提供し、異なる資産に対するユニークなリスク洞察を提供し、それによってリターンの不確実性に対する理解を深める。
  論文  参考訳（メタデータ） (2025-03-10T05:20:56Z)
• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)
• 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)
• DoubleAdapt: A Meta-learning Approach to Incremental Learning for Stock Trend Forecasting [23.64541466875515]
  2つのアダプタを持つエンドツーエンドのフレームワークを提案し、データとモデルを効果的に適応させ、分散シフトの効果を緩和する。 私たちのキーとなる洞察は、ストックデータをローカルな定常分布に自動的に適応させ、利益を上げる更新を優先する方法を学ぶことです。 実世界のストックデータセットの実験では、DoubleAdaptは最先端の予測性能を達成し、かなりの効率を示している。
  論文  参考訳（メタデータ） (2023-06-16T14:18:32Z)
• Distributional Reinforcement Learning with Dual Expectile-Quantile Regression [51.87411935256015]
  分布RLに対する量子レグレッションアプローチは、任意の戻り分布を柔軟かつ効果的に学習する方法を提供する。 我々は,分布推定が消失することを示し,推定分布が急速に平均に崩壊することを実証的に観察した。 我々は,$L$の学習効率に感化され,効率のよい学習方法として,返却分布の期待値と量子値を共同で学習することを提案する。
  論文  参考訳（メタデータ） (2023-05-26T12:30:05Z)
• Regularizing Variational Autoencoder with Diversity and Uncertainty Awareness [61.827054365139645]
  変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。 よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
  論文  参考訳（メタデータ） (2021-10-24T07:58:13Z)

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。