論文の概要: ProteuS: A Generative Approach for Simulating Concept Drift in Financial Markets

• arxiv url: http://arxiv.org/abs/2509.11844v1
• Date: Sat, 30 Aug 2025 21:01:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-21 06:05:45.799858
• Title: ProteuS: A Generative Approach for Simulating Concept Drift in Financial Markets
• Title（参考訳）: ProteuS:金融市場におけるコンセプトドリフトのシミュレーションのためのジェネレーティブアプローチ
• Authors: Andrés L. Suárez-Cetrulo, Alejandro Cervantes, David Quintana,
• Abstract要約: 適応アルゴリズムの開発と検証における根本的な問題は、現実世界の財務データに基礎的な真理が欠如していることである。 本稿では,事前定義された構造破壊を伴う半合成財務時系列を生成するための新しいフレームワークProteuSを紹介する。 生成されたデータの解析によってタスクの複雑さが確認され、異なる市場状態間の大きな重複が明らかになる。
• 参考スコア（独自算出の注目度）: 44.76567557906836
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Financial markets are complex, non-stationary systems where the underlying data distributions can shift over time, a phenomenon known as regime changes, as well as concept drift in the machine learning literature. These shifts, often triggered by major economic events, pose a significant challenge for traditional statistical and machine learning models. A fundamental problem in developing and validating adaptive algorithms is the lack of a ground truth in real-world financial data, making it difficult to evaluate a model's ability to detect and recover from these drifts. This paper addresses this challenge by introducing a novel framework, named ProteuS, for generating semi-synthetic financial time series with pre-defined structural breaks. Our methodology involves fitting ARMA-GARCH models to real-world ETF data to capture distinct market regimes, and then simulating realistic, gradual, and abrupt transitions between them. The resulting datasets, which include a comprehensive set of technical indicators, provide a controlled environment with a known ground truth of regime changes. An analysis of the generated data confirms the complexity of the task, revealing significant overlap between the different market states. We aim to provide the research community with a tool for the rigorous evaluation of concept drift detection and adaptation mechanisms, paving the way for more robust financial forecasting models.
• Abstract（参考訳）: 金融市場は複雑な非定常的なシステムであり、基盤となるデータ分布は時間とともに変化しうる。 これらの変化は、しばしば大きな経済的な出来事によって引き起こされ、伝統的な統計モデルと機械学習モデルに重大な課題をもたらす。 適応アルゴリズムの開発と検証における根本的な問題は、現実の財務データに基礎的な真理が欠如していることであり、モデルがこれらのドリフトを検出して回復する能力を評価することは困難である。 本稿では,事前定義された構造破壊を伴う半合成財務時系列を生成するための,ProteuSという新しいフレームワークを導入することで,この問題に対処する。 我々の手法は、ARMA-GARCHモデルを実世界のETFデータに組み込んで、異なる市場体制を捉え、それらの間の現実的、段階的、急激な遷移をシミュレートする。 結果として得られたデータセットには、包括的な技術指標が含まれており、規制された環境に、体制変更の既知の根本的真実を提供する。 生成されたデータの解析によってタスクの複雑さが確認され、異なる市場状態間の大きな重複が明らかになる。 我々は,より堅牢な財務予測モデルの構築を目的として,コンセプトドリフト検出と適応機構の厳密な評価を行うためのツールを研究コミュニティに提供することを目的とする。

関連論文リスト

• Anomaly Detection and Generation with Diffusion Models: A Survey [51.61574868316922]
  異常検出(AD)は、サイバーセキュリティ、金融、医療、工業製造など、さまざまな分野において重要な役割を担っている。 近年のディープラーニング,特に拡散モデル(DM)の進歩は,大きな関心を集めている。 この調査は、研究者や実践者が様々なアプリケーションにまたがる革新的なADソリューションにDMを利用することをガイドすることを目的としている。
  論文  参考訳（メタデータ） (2025-06-11T03:29:18Z)
• Cross-Modal Temporal Fusion for Financial Market Forecasting [3.0756278306759635]
  我々は、市場予測を改善するために、構造化および非構造化の財務データを融合するトランスフォーマーベースのディープラーニングフレームワークであるCross-Modal Temporal Fusion (CMTF)を導入する。 FTSE 100 ストックデータを用いた実験結果から,CMTF は古典的および深層学習ベースラインと比較して,価格方向分類において優れた性能を示した。
  論文  参考訳（メタデータ） (2025-04-18T07:20:18Z)
• Financial Wind Tunnel: A Retrieval-Augmented Market Simulator [8.687612511755836]
  マーケットシミュレーターは、現実世界の市場のダイナミクスを模倣した高品質な合成金融データを作成しようとする。 フィナンシャル・ウィンド・トンネル(Financial Wind Tunnel, FWT)は、制御可能で合理的で適応可能な市場ダイナミクスを生成するために設計された市場シミュレータである。 FWTは、様々なデータ周波数にわたってより包括的で体系的な生成機能を提供する。
  論文  参考訳（メタデータ） (2025-03-23T03:10:13Z)
• Empowering Time Series Analysis with Synthetic Data: A Survey and Outlook in the Era of Foundation Models [104.17057231661371]
  時系列解析は複雑なシステムの力学を理解するために重要である。 基本モデルの最近の進歩はタスク非依存の時系列基礎モデル (TSFM) と大規模言語モデルベース時系列モデル (TSLLM) につながっている。 彼らの成功は、規制、多様性、品質、量制約のために構築が困難である、大規模で多様で高品質なデータセットに依存する。 本調査では,TSFMとTLLLMの合成データの総合的なレビュー,データ生成戦略の分析,モデル事前学習におけるそれらの役割,微調整,評価,今後の研究方向性の特定について述べる。
  論文  参考訳（メタデータ） (2025-03-14T13:53:46Z)
• 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)
• A Deep Learning Framework Integrating CNN and BiLSTM for Financial Systemic Risk Analysis and Prediction [17.6825558707504]
  本研究では、畳み込みニューラルネットワーク(CNN)と双方向長短期記憶ネットワーク(BiLSTM)を組み合わせたディープラーニングモデルを提案する。 このモデルはまずCNNを用いて金融市場の多次元特徴の局所パターンを抽出し、次にBiLSTMを通して時系列の双方向依存性をモデル化する。 その結果,従来の単一モデルよりも精度,リコール,F1スコアの点で優れていることがわかった。
  論文  参考訳（メタデータ） (2025-02-07T07:57:11Z)
• 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)
• Market-GAN: Adding Control to Financial Market Data Generation with Semantic Context [23.773217528211905]
  現在の財務データセットにはコンテキストラベルは含まれていない。 現在の技術は、文脈を制御として財務データを生成するように設計されていない。 Market-GANは、制御可能な生成をコンテキストで行うためにGAN(Generative Adversarial Networks)を組み込んだ新しいアーキテクチャである。
  論文  参考訳（メタデータ） (2023-09-14T13:42:27Z)
• 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)
• 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。