論文の概要: From News to Returns: A Granger-Causal Hypergraph Transformer on the Sphere

• arxiv url: http://arxiv.org/abs/2510.04357v1
• Date: Sun, 05 Oct 2025 20:51:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.60274
• Title: From News to Returns: A Granger-Causal Hypergraph Transformer on the Sphere
• Title（参考訳）: ニューズ・トゥ・リターンズ:球面上のグラナー・カウサル・ハイパーグラフ変換器
• Authors: Anoushka Harit, Zhongtian Sun, Jongmin Yu,
• Abstract要約: Causal Sphere Hypergraph Transformer (CSHT)は、財務時系列予測のための新しいアーキテクチャである。 emphGranger-causal hypergraph 構造、emphRiemann 幾何学、およびenmphcausally masked Transformer attention を統一する。
• 参考スコア（独自算出の注目度）: 7.59154837250086
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We propose the Causal Sphere Hypergraph Transformer (CSHT), a novel architecture for interpretable financial time-series forecasting that unifies \emph{Granger-causal hypergraph structure}, \emph{Riemannian geometry}, and \emph{causally masked Transformer attention}. CSHT models the directional influence of financial news and sentiment on asset returns by extracting multivariate Granger-causal dependencies, which are encoded as directional hyperedges on the surface of a hypersphere. Attention is constrained via angular masks that preserve both temporal directionality and geometric consistency. Evaluated on S\&P 500 data from 2018 to 2023, including the 2020 COVID-19 shock, CSHT consistently outperforms baselines across return prediction, regime classification, and top-asset ranking tasks. By enforcing predictive causal structure and embedding variables in a Riemannian manifold, CSHT delivers both \emph{robust generalisation across market regimes} and \emph{transparent attribution pathways} from macroeconomic events to stock-level responses. These results suggest that CSHT is a principled and practical solution for trustworthy financial forecasting under uncertainty.
• Abstract（参考訳）: 本稿では,Causal Sphere Hypergraph Transformer (CSHT)を提案する。これは,emph{Granger-Causal Hypergraph Structure}, \emph{Riemannian geometry}, \emph{Causally masked Transformer attention}を統一した,金融時系列予測の新しいアーキテクチャである。 CSHTは、超球面上の方向のハイパーエッジとして符号化された多変量グランガー因果関係を抽出することにより、金融ニュースや感情が資産返却に与える影響をモデル化する。 注意は、時間方向と幾何学的整合性の両方を保持する角マスクを介して拘束される。 2018年から2023年までのS\&P 500データに基づいて評価され、2020年のCOVID-19ショックを含むCSHTは、リターン予測、制度分類、トップアセスメントランキングタスクで一貫してベースラインを上回っている。 リーマン多様体における予測因果構造と埋め込み変数を強制することにより、CSHT はマクロ経済学的な事象からストックレベルの反応まで、市場レジーム全体にわたる \emph{robust generalization と \emph{transparent Attribution pathways の両方を提供する。 これらの結果から,CSHTは不確実性の下での信用に値する財務予測の原則的かつ実践的な解決法であることが示唆された。

関連論文リスト

• Geometrically Constrained and Token-Based Probabilistic Spatial Transformers [5.437226012505534]
  我々は、トランスフォーマーベースのビジョンパイプラインの標準化ツールとして、空間トランスフォーマーネットワーク(STN)を再考する。 本稿では、堅牢性を向上させる確率的、コンポーネントワイドな拡張を提案する。 本手法が他のSTNと比較して頑健さを常に向上することを示す。
  論文  参考訳（メタデータ） (2025-09-14T11:30:53Z)
• S$^2$Transformer: Scalable Structured Transformers for Global Station Weather Forecasting [67.93713728260646]
  既存の時系列予測手法は、大規模なグローバルステーション予測を行う際に、空間的相関を無視または一方向的にモデル化することが多い。 これは、予測性能を制限する地球規模の気象システムの観測の根底にある性質と矛盾する。 本稿では,構造的空間的注意を新たに提案する。 空間グラフを一連のサブグラフに分割し、サブグラフ内の注意をインスタンス化し、各サブグラフ内の局所的な空間相関を学習する。 ノードをサブグラフ間のメッセージパッシングのためのサブグラフ表現に集約する。
  論文  参考訳（メタデータ） (2025-09-10T05:33:28Z)
• CS-SHRED: Enhancing SHRED for Robust Recovery of Spatiotemporal Dynamics [2.8820361301109365]
  CS-SHREDは、CSをShallow Recurrent Decoder(SHRED)に統合し、不完全、圧縮、破損したデータから動的を再構築するディープラーニングアーキテクチャである。 従来のSHREDアプローチと比較して、CS-SHREDは、SSIMとPSNR値の改善、正規化エラーの低減、LPIPSスコアの強化によって示されるように、はるかに高い再構築忠実性を達成する。
  論文  参考訳（メタデータ） (2025-07-30T00:27:18Z)
• CP$^2$: Leveraging Geometry for Conformal Prediction via Canonicalization [51.716834831684004]
  幾何データシフトにおける共形予測(CP)の問題について検討する。 本稿では,幾何的ポーズなどの幾何学的情報を統合することを提案する。
  論文  参考訳（メタデータ） (2025-06-19T10:12:02Z)
• Scalable Graph Generative Modeling via Substructure Sequences [50.32639806800683]
  本稿では,グラフ生成用トランスフォーマー事前学習フレームワークである生成グラフパターンマシン(G$2$PM)を紹介する。 G$2$PMはグラフインスタンス(ノード、エッジ、グラフ全体)をサブ構造のシーケンスとして表現する。 それは、一般化可能かつ伝達可能な表現を学ぶために、シーケンスに関する生成的事前学習を採用する。
  論文  参考訳（メタデータ） (2025-05-22T02:16:34Z)
• EMForecaster: A Deep Learning Framework for Time Series Forecasting in Wireless Networks with Distribution-Free Uncertainty Quantification [11.88654374102813]
  我々は、textitEMForecasterと呼ばれるディープラーニング(DL)時系列予測フレームワークを開発した。 EMForecasterは、短期と長期の両方の予測地平線にまたがって、さまざまなデータセットで優れたパフォーマンスを実現している。 ポイント予測タスクでは、EMForecasterは現在の最先端のDLアプローチを大きく上回り、Transformerアーキテクチャよりも53.97%、ベースラインモデルの平均より38.44%改善している。
  論文  参考訳（メタデータ） (2025-03-31T18:10:08Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• Diffusion-based subsurface CO$_2$ multiphysics monitoring and forecasting [4.2193475197905705]
  本稿では,ビデオ拡散モデルを用いた新しい地下マルチ物理モニタリングおよび予測フレームワークを提案する。 このアプローチは、CO$2$進化の高品質な表現と、それに伴う地下弾性特性の変化を生成することができる。 コンパスモデルに基づく実験では,CO$モニタリングに関連する本質的に複雑な物理現象を,提案手法がうまく捉えることができた。
  論文  参考訳（メタデータ） (2024-07-25T23:04:37Z)
• Ridge interpolators in correlated factor regression models -- exact risk analysis [0.0]
  我々は、相関型エンフェール回帰モデル(FRM)を考察し、古典的なリッジ補間器の性能を解析する。 我々は,すべてのキーモデルパラメータへの依存性を明確に示し,予測リスクのキャラクタリゼーションを提供する。
  論文  参考訳（メタデータ） (2024-06-13T14:46:08Z)
• 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)

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。