論文の概要: Multi-Scale Spatial-Temporal Hypergraph Network with Lead-Lag Structures for Stock Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2509.23668v1
• Date: Sun, 28 Sep 2025 06:13:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.363353
• Title: Multi-Scale Spatial-Temporal Hypergraph Network with Lead-Lag Structures for Stock Time Series Forecasting
• Title（参考訳）: ストックタイムシリーズ予測のためのリードラグ構造を有するマルチスケール時空間ハイパーグラフネットワーク
• Authors: Xiangfei Qiu, Liu Yang, Hanyin Cheng, Xingjian Wu, Rongjia Wu, Zhigang Zhang, Ding Tu, Chenjuan Guo, Bin Yang, Christian S. Jensen, Jilin Hu,
• Abstract要約: 本研究は,ストック時系列予測のためのHermesフレームワークを提案する。 移動アグリゲーションとマルチスケールの融合モジュールをハイパーグラフネットワークに統合する。 その結果,Hermesは既存の最先端手法よりも効率と精度が優れていることがわかった。
• 参考スコア（独自算出の注目度）: 27.886053473889884
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Time series forecasting occurs in a range of financial applications providing essential decision-making support to investors, regulatory institutions, and analysts. Unlike multivariate time series from other domains, stock time series exhibit industry correlation. Exploiting this kind of correlation can improve forecasting accuracy. However, existing methods based on hypergraphs can only capture industry correlation relatively superficially. These methods face two key limitations: they do not fully consider inter-industry lead-lag interactions, and they do not model multi-scale information within and among industries. This study proposes the Hermes framework for stock time series forecasting that aims to improve the exploitation of industry correlation by eliminating these limitations. The framework integrates moving aggregation and multi-scale fusion modules in a hypergraph network. Specifically, to more flexibly capture the lead-lag relationships among industries, Hermes proposes a hyperedge-based moving aggregation module. This module incorporates a sliding window and utilizes dynamic temporal aggregation operations to consider lead-lag dependencies among industries. Additionally, to effectively model multi-scale information, Hermes employs cross-scale, edge-to-edge message passing to integrate information from different scales while maintaining the consistency of each scale. Experimental results on multiple real-world stock datasets show that Hermes outperforms existing state-of-the-art methods in both efficiency and accuracy.
• Abstract（参考訳）: 時系列予測は、投資家、規制機関、アナリストに重要な意思決定支援を提供する様々な金融アプリケーションで発生する。 他のドメインの多変量時系列とは異なり、ストックタイムシリーズは業界相関を示す。 このような相関を爆発させることで予測精度が向上する。 しかし, ハイパーグラフに基づく既存の手法は, 比較的表面的にのみ産業相関を捉えることができる。 これらの手法は産業間リードラグ間相互作用を完全に考慮せず、産業内および産業間におけるマルチスケール情報をモデル化していない。 本研究は,これらの制約を解消して産業相関の活用を改善することを目的とした,ストック時系列予測のためのHermesフレームワークを提案する。 このフレームワークは、ハイパーグラフネットワーク内の移動アグリゲーションとマルチスケールの融合モジュールを統合する。 具体的には、業界間のリードラグ関係をより柔軟に捉えるために、Hermes氏はハイパーエッジベースの移動アグリゲーションモジュールを提案する。 このモジュールにはスライディングウィンドウが組み込まれており、動的時間的アグリゲーション操作を使用して産業間のリードラグ依存性を考慮している。 さらに、マルチスケール情報を効果的にモデル化するために、Hermesは、各スケールの一貫性を維持しながら、異なるスケールからの情報を統合するために、クロススケールのエッジツーエッジメッセージパッシングを使用している。 複数の実世界のストックデータセットに対する実験結果から、Hermesは既存の最先端の手法よりも効率と精度で優れていることが示された。

関連論文リスト

• SDGF: Fusing Static and Multi-Scale Dynamic Correlations for Multivariate Time Series Forecasting [9.027814258970684]
  時系列の正確な予測にはシリーズ間相関が不可欠である。 これらの関係はしばしば異なる時間スケールにわたる複雑なダイナミクスを示す。 既存のメソッドは、これらのマルチスケール依存関係のモデリングに限られています。
  論文  参考訳（メタデータ） (2025-09-14T11:23:12Z)
• SOFTS: Efficient Multivariate Time Series Forecasting with Series-Core Fusion [59.96233305733875]
  時系列予測は、金融、交通管理、エネルギー、医療など様々な分野で重要な役割を果たしている。 いくつかの方法は、注意やミキサーのようなメカニズムを利用して、チャネル相関をキャプチャすることでこの問題に対処する。 本稿では,効率的なモデルであるSOFTS(Series-cOre Fused Time Series forecaster)を提案する。
  論文  参考訳（メタデータ） (2024-04-22T14:06:35Z)
• MSGNet: Learning Multi-Scale Inter-Series Correlations for Multivariate Time Series Forecasting [18.192600104502628]
  時系列データはしばしば、シリーズ内およびシリーズ間相関を示す。 MSGNetの有効性を示すために、複数の実世界のデータセットで大規模な実験が行われた。
  論文  参考訳（メタデータ） (2023-12-31T08:23:24Z)
• GATGPT: A Pre-trained Large Language Model with Graph Attention Network for Spatiotemporal Imputation [19.371155159744934]
  実世界の環境では、センサーの故障やデータ転送エラーなどの問題により、そのようなデータには欠落する要素がしばしば含まれる。 時間的計算の目的は、観測された時系列における固有の空間的および時間的関係を理解することによって、これらの欠落値を推定することである。 伝統的に、複雑な時間的計算は特定のアーキテクチャに依存しており、適用可能性の制限と高い計算複雑性に悩まされている。 対照的に、我々のアプローチは、事前訓練された大規模言語モデル(LLM)を複雑な時間的インプットに統合し、画期的なフレームワークであるGATGPTを導入している。
  論文  参考訳（メタデータ） (2023-11-24T08:15:11Z)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• Multivariate Time-series Anomaly Detection via Graph Attention Network [27.12694738711663]
  多変量時系列の異常検出は、データマイニング研究と産業応用の両方において非常に重要である。 1つの大きな制限は、異なる時系列間の関係を明示的に捉えないことである。 この問題に対処するために,多変量時系列異常検出のための新しい自己教師型フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-04T07:46:19Z)

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。