論文の概要: Adaptive Temporal Fusion Transformers for Cryptocurrency Price Prediction

• arxiv url: http://arxiv.org/abs/2509.10542v1
• Date: Sat, 06 Sep 2025 20:04:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:22.649688
• Title: Adaptive Temporal Fusion Transformers for Cryptocurrency Price Prediction
• Title（参考訳）: 暗号価格予測のための適応時間変換器
• Authors: Arash Peik, Mohammad Ali Zare Chahooki, Amin Milani Fard, Mehdi Agha Sarram,
• Abstract要約: 本稿では,動的サブシリーズ長とパターンに基づく分類を利用した適応的TFTモデリング手法を提案する。 ETH-USDT 10分のデータを2ヶ月の試験期間で分析した結果,提案手法はベースラインの固定長TFTおよびLSTMモデルよりも精度が高く,取引利益率をシミュレーションした。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Precise short-term price prediction in the highly volatile cryptocurrency market is critical for informed trading strategies. Although Temporal Fusion Transformers (TFTs) have shown potential, their direct use often struggles in the face of the market's non-stationary nature and extreme volatility. This paper introduces an adaptive TFT modeling approach leveraging dynamic subseries lengths and pattern-based categorization to enhance short-term forecasting. We propose a novel segmentation method where subseries end at relative maxima, identified when the price increase from the preceding minimum surpasses a threshold, thus capturing significant upward movements, which act as key markers for the end of a growth phase, while potentially filtering the noise. Crucially, the fixed-length pattern ending each subseries determines the category assigned to the subsequent variable-length subseries, grouping typical market responses that follow similar preceding conditions. A distinct TFT model trained for each category is specialized in predicting the evolution of these subsequent subseries based on their initial steps after the preceding peak. Experimental results on ETH-USDT 10-minute data over a two-month test period demonstrate that our adaptive approach significantly outperforms baseline fixed-length TFT and LSTM models in prediction accuracy and simulated trading profitability. Our combination of adaptive segmentation and pattern-conditioned forecasting enables more robust and responsive cryptocurrency price prediction.
• Abstract（参考訳）: 非常に不安定な暗号通貨市場での正確な短期的価格予測は、情報取引戦略にとって極めて重要である。 テンポラル・フュージョン・トランスフォーマー(TFT)は可能性を示しているが、市場の非定常的な性質と極端なボラティリティに直面している場合が多い。 本稿では,動的サブシリーズ長とパターンに基づく分類を利用した適応的TFTモデリング手法を提案する。 本稿では,前回の最小値からの価格上昇がしきい値を超えた場合に,相対最大値で終了する部分列を同定し,成長段階の終わりのキーマーカーとして機能し,潜在的にノイズをフィルタリングする,新たなセグメンテーション手法を提案する。 重要なことに、各サブシリーズを終了する固定長パターンは、後続の可変長サブシリーズに割り当てられたカテゴリを決定し、同様の条件に従う典型的な市場応答をグループ化する。 各カテゴリで訓練された個別のTFTモデルは、先行ピーク後の最初のステップに基づいて、これらの後続のサブシリーズの進化を予測することに特化している。 ETH-USDT 10分のデータを2ヶ月の試験期間で実験した結果、我々の適応的アプローチはベースラインの固定長TFTおよびLSTMモデルよりも精度が高く、取引利益率をシミュレートした。 適応セグメンテーションとパターン条件予測の組み合わせにより、より堅牢で応答性の高い暗号通貨価格予測が可能になる。

関連論文リスト

• A Novel Hybrid Approach Using an Attention-Based Transformer + GRU Model for Predicting Cryptocurrency Prices [0.0]
  本稿では,Transformer と Gated Recurrent Unit (GRU) アーキテクチャを統合した新しいディープラーニングハイブリッドモデルを提案する。 長距離パターンのキャプチャにおけるTransformerの強みと、GRUの短期トレンドとシーケンシャルトレンドをモデル化する能力を組み合わせることで、ハイブリッドモデルは時系列予測に十分に取り組んだアプローチを提供する。 提案モデルと他の4つの機械学習モデルとの比較により,提案モデルの性能を評価する。
  論文  参考訳（メタデータ） (2025-04-23T20:00:47Z)
• An Evaluation of Deep Learning Models for Stock Market Trend Prediction [0.3277163122167433]
  本研究では,S&P 500指数とブラジルETF EWZの日時閉値を用いた短期トレンド予測のための先進的なディープラーニングモデルの有効性について検討した。 時系列予測に最適化されたxLSTM適応であるxLSTM-TSモデルを導入する。 テストされたモデルの中で、xLSTM-TSは一貫して他のモデルよりも優れており、例えば、テスト精度72.82%、F1スコア73.16%をEWZの日次データセットで達成している。
  論文  参考訳（メタデータ） (2024-08-22T13:58:55Z)
• Gated recurrent neural network with TPE Bayesian optimization for enhancing stock index prediction accuracy [0.0]
  インドの著名な株式市場指標であるNIFTY50指数の翌日の終値の予測精度を改善することを目的とする。 8つの影響要因の組み合わせは、基本株価データ、技術指標、原油価格、マクロ経済データから慎重に選択される。
  論文  参考訳（メタデータ） (2024-06-02T06:39:01Z)
• 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)
• DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
  本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。 実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
  論文  参考訳（メタデータ） (2022-09-23T16:13:47Z)
• Multivariate Probabilistic Forecasting of Intraday Electricity Prices using Normalizing Flows [62.997667081978825]
  ドイツでは、日内電気価格は通常、EPEXスポット市場の1日当たりの価格に異なる時間帯で変動する。 本研究は,日頭契約の日内価格差をモデル化する確率論的モデリング手法を提案する。
  論文  参考訳（メタデータ） (2022-05-27T08:38:20Z)
• 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)
• Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
  本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。 ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。 2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
  論文  参考訳（メタデータ） (2021-09-14T18:50:38Z)

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。