論文の概要: A Neuro-Fuzzy System for Interpretable Long-Term Stock Market Forecasting

• arxiv url: http://arxiv.org/abs/2510.00960v1
• Date: Wed, 01 Oct 2025 14:33:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.613778
• Title: A Neuro-Fuzzy System for Interpretable Long-Term Stock Market Forecasting
• Title（参考訳）: 長期株価予測のためのニューロファジィシステム
• Authors: Miha Ožbot, Igor Škrjanc, Vitomir Štruc,
• Abstract要約: Fuzzy Transformer(ファジィトランスフォーマー)は、マルチヘッド自己アテンションとファジィ推論システムを組み合わせた、新しいリカレントニューラルネットワークアーキテクチャである。 実世界の株価指数S&P500について検討した。 最初の結果は、解釈可能な予測と現在のパフォーマンストレードオフの特定の可能性を示している。
• 参考スコア（独自算出の注目度）: 0.025280119895043862
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the complex landscape of multivariate time series forecasting, achieving both accuracy and interpretability remains a significant challenge. This paper introduces the Fuzzy Transformer (Fuzzformer), a novel recurrent neural network architecture combined with multi-head self-attention and fuzzy inference systems to analyze multivariate stock market data and conduct long-term time series forecasting. The method leverages LSTM networks and temporal attention to condense multivariate data into interpretable features suitable for fuzzy inference systems. The resulting architecture offers comparable forecasting performance to conventional models such as ARIMA and LSTM while providing meaningful information flow within the network. The method was examined on the real world stock market index S\&P500. Initial results show potential for interpretable forecasting and identify current performance tradeoffs, suggesting practical application in understanding and forecasting stock market behavior.
• Abstract（参考訳）: 多変量時系列予測の複雑な状況において、精度と解釈可能性の両方を達成することは重要な課題である。 本稿では,ファジィ・トランスフォーマー(Fuzzy Transformer, ファジィ・トランスフォーマー)を提案する。 この手法は、LSTMネットワークと時間的注意を多変量データをファジィ推論システムに適した解釈可能な特徴にする。 結果として得られたアーキテクチャは、ARIMAやLSTMのような従来のモデルに匹敵する予測性能を提供し、ネットワーク内で意味のある情報フローを提供する。 実世界の株価指数S\&P500について検討した。 最初の結果は、現在の業績トレードオフを解釈し、予測する可能性を示し、株式市場の行動を理解し予測するための実践的応用を示唆している。

関連論文リスト

• An Advanced Ensemble Deep Learning Framework for Stock Price Prediction Using VAE, Transformer, and LSTM Model [4.097563258332958]
  本研究では,3つの先進ニューラルネットワークアーキテクチャを組み合わせることで,株価予測のための最先端の深層学習フレームワークを提案する。 このフレームワークは豊富な技術的指標を使用し、現在の市場状況に基づいて予測器をスケールする。 金融専門家や学者にとって、アルゴリズム取引、リスク分析、制御と意思決定に非常に重要な応用がある。
  論文  参考訳（メタデータ） (2025-03-28T07:20:40Z)
• Differential Machine Learning for Time Series Prediction [1.3812010983144802]
  本稿では、差分学習によるニューラルネットワーク予測を強化する新しい手法を提案する。 我々は,共有LSTMセルを用いて,両データストリームを同時に処理する差分長短期メモリ(Diff-LSTM)ネットワークを開発した。
  論文  参考訳（メタデータ） (2025-03-05T09:36:57Z)
• MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
  本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。 予測性能を高めるために3段階の相関を同時に検討する。 注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
  論文  参考訳（メタデータ） (2024-05-30T03:32:44Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• MCDFN: Supply Chain Demand Forecasting via an Explainable Multi-Channel Data Fusion Network Model [0.0]
  CNN,Long Short-Term Memory Network (LSTM), Gated Recurrent Units (GRU)を統合したハイブリッドアーキテクチャであるMulti-Channel Data Fusion Network (MCDFN)を紹介する。 我々の比較ベンチマークは、MCDFNが他の7つのディープラーニングモデルより優れていることを示している。 本研究は,需要予測手法を進歩させ,MCDFNをサプライチェーンシステムに統合するための実践的ガイドラインを提供する。
  論文  参考訳（メタデータ） (2024-05-24T14:30:00Z)
• Interpretable Short-Term Load Forecasting via Multi-Scale Temporal Decomposition [3.080999981940039]
  本稿では,ニューラルネットワークの線形結合を学習し,それぞれが入力時間の特徴に付随する解釈可能なディープラーニング手法を提案する。 ケーススタディはベルギーの中央グリッド負荷データセット上で実施されており、提案モデルは頻繁に適用されるベースラインモデルよりも精度がよいことを示した。
  論文  参考訳（メタデータ） (2024-02-18T17:55:59Z)
• Multi-head Temporal Attention-Augmented Bilinear Network for Financial time series prediction [77.57991021445959]
  本稿では,時間的注意と多面的注意の考え方に基づいて,ニューラルネットワークの能力を拡張するニューラルネットワーク層を提案する。 本手法の有効性を,大規模書籍市場データを用いて検証した。
  論文  参考訳（メタデータ） (2022-01-14T14:02:19Z)
• Bilinear Input Normalization for Neural Networks in Financial Forecasting [101.89872650510074]
  本稿では,高頻度金融時系列を扱うディープニューラルネットワークのための新しいデータ駆動正規化手法を提案する。 提案手法は,財務時系列のバイモーダル特性を考慮したものである。 我々の実験は最先端のニューラルネットワークと高周波データを用いて行われ、他の正規化技術よりも大幅に改善された。
  論文  参考訳（メタデータ） (2021-09-01T07:52:03Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)
• Transformer Hawkes Process [79.16290557505211]
  本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。 本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
  論文  参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。