Fugu-MT 論文翻訳(概要): Auditing Algorithmic Bias in Transformer-Based Trading

論文の概要: Auditing Algorithmic Bias in Transformer-Based Trading

arxiv url: http://arxiv.org/abs/2510.05140v1
Date: Wed, 01 Oct 2025 21:20:26 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-08 17:57:07.846795
Title: Auditing Algorithmic Bias in Transformer-Based Trading
Title（参考訳）: トランスフォーマーベーストレーディングにおけるアルゴリズムバイアスの監査
Authors: Armin Gerami, Ramani Duraiswami,
Abstract要約: 予測にはトランスフォーマーモデルを用いており、各資産の意思決定への影響を測定するために部分情報分解(PID)に基づくメトリクスを導入している。まず、モデルがデータのボラティリティを完全に無視し、次に、低周波の価格変動を伴うデータに偏っていることを明らかにする。
参考スコア（独自算出の注目度）: 10.235738752130803
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Transformer models have become increasingly popular in financial applications, yet their potential risk making and biases remain under-explored. The purpose of this work is to audit the reliance of the model on volatile data for decision-making, and quantify how the frequency of price movements affects the model's prediction confidence. We employ a transformer model for prediction, and introduce a metric based on Partial Information Decomposition (PID) to measure the influence of each asset on the model's decision making. Our analysis reveals two key observations: first, the model disregards data volatility entirely, and second, it is biased toward data with lower-frequency price movements.
Abstract（参考訳）: トランスフォーマーモデルは金融アプリケーションでますます人気を博しているが、その潜在的なリスクやバイアスは未調査のままである。本研究の目的は、価格変動の頻度がモデルの予測信頼度にどのように影響するかを定量化することである。予測にはトランスフォーマーモデルを用いており、各資産の意思決定への影響を測定するために部分情報分解(PID)に基づくメトリクスを導入している。まず、モデルがデータのボラティリティを完全に無視し、次に、低周波の価格変動を伴うデータに偏っていることを明らかにする。

関連論文リスト

Multivariate Forecasting of Bitcoin Volatility with Gradient Boosting: Deterministic, Probabilistic, and Feature Importance Perspectives [1.8352113484137627]
本研究は,Bitcoinが実現したボラティリティの確定的および確率的予測に,光グラディエントブースティングマシン(LGBM)モデルの適用について検討した。本稿では,LGBMに基づくモデルの性能評価を行い,それとエコノメトリと機械学習のベースラインを比較した。
論文参考訳（メタデータ） (2025-11-25T09:26:13Z)
Optimization of Deep Learning Models for Dynamic Market Behavior Prediction [4.594360512414794]
UCI Online Retail IIデータセットを用いて,電子商取引におけるマルチ水平需要予測について検討した。本稿では,マルチスケールの時間的畳み込み,ゲートリカレントモジュール,タイムアウェア・セルフアテンションを組み合わせたハイブリッド・シーケンス・モデルを提案する。結果は,ピーク/ホリデー期間において,一貫した精度向上と改善を示した。
論文参考訳（メタデータ） (2025-11-24T13:30:52Z)
Partial multivariate transformer as a tool for cryptocurrencies time series prediction [0.0]
部分多変量戦略は,有意な統計的精度を達成し,情報信号と雑音のバランスを効果的に行うことを示す。予測誤差の低さは、シミュレーションにおける高い金融リターンに一貫して変換されなかった。この発見は、従来のエラーメトリクスへの依存に挑戦し、現実の財務目標とより整合した評価基準を開発する必要性を強調している。
論文参考訳（メタデータ） (2025-11-22T21:59:32Z)
Unidentified and Confounded? Understanding Two-Tower Models for Unbiased Learning to Rank [50.9530591265324]
良好な性能のプロダクションシステムによって収集されたクリックで2towerモデルをトレーニングすると、ランキング性能が低下する。理論的には、2towerモデルの識別可能性条件を解析し、クリックからモデルパラメータを復元するために、文書の入れ替わりや重複する特徴分布が必要であることを示す。また,ログポリシが2towerモデルに与える影響についても検討し,モデルがユーザの動作を完全に捉えている場合,バイアスが発生しないことを見出した。
論文参考訳（メタデータ） (2025-06-25T14:47:43Z)
STORM: A Spatio-Temporal Factor Model Based on Dual Vector Quantized Variational Autoencoders for Financial Trading [55.02735046724146]
金融取引では、ファクターモデルが資産の価格設定や過大なリターンの獲得に広く利用されている。双対ベクトル量子化変分オートエンコーダを用いた時空間ファクトラーモデルSTORMを提案する。ストームは時間的および空間的な視点からストックの特徴を抽出し、これらの特徴を微細で意味的なレベルで融合し整列させ、その要素を多次元の埋め込みとして表現する。
論文参考訳（メタデータ） (2024-12-12T17:15:49Z)
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)
Influence Functions for Scalable Data Attribution in Diffusion Models [52.92223039302037]
拡散モデルは、生成的モデリングに大きな進歩をもたらした。しかし、彼らの普及はデータ属性と解釈可能性に関する課題を引き起こす。これらの課題に対処するための影響関数フレームワークを開発する。
論文参考訳（メタデータ） (2024-10-17T17:59:02Z)
AMA-LSTM: Pioneering Robust and Fair Financial Audio Analysis for Stock Volatility Prediction [25.711345527738068]
マルチモーダル法は 2つの欠点に直面しています彼らはしばしば、信頼できるモデルを得るのに失敗し、株式市場からの情報の吸収のためにデータを過大評価する。株のボラティリティを予測するためにマルチモーダルモデルを使用することは、性別バイアスに悩まされ、そのようなバイアスを取り除く効率的な方法が欠如している。我々は,ロバストネス・ワールド・ファイナンシャル・オーディオ・データセットに関する包括的な実験を行い,この手法が現在の最先端ソリューションの性能を上回ることを示した。
論文参考訳（メタデータ） (2024-07-03T18:40:53Z)
Rating Multi-Modal Time-Series Forecasting Models (MM-TSFM) for Robustness Through a Causal Lens [10.103561529332184]
ノイズや不正なデータによる不正確さが誤った予測につながるような,マルチモーダルな時系列予測に重点を置いている。本稿では,マルチモーダル時系列予測モデルのロバスト性を評価するための評価手法を提案する。
論文参考訳（メタデータ） (2024-06-12T17:39:16Z)
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)
Interpretability in Safety-Critical FinancialTrading Systems [15.060749321774136]
2020年、世界で最も洗練された量子ヘッジファンドのいくつかが損失を被った。我々は、トレーディングモデルの予測をどのように操作できるかを正確に評価するために、勾配に基づくアプローチを実装した。提案手法では,入出力分布に大きな負のずれが生じる,サンプル内入力設定のように見えることが判明した。
論文参考訳（メタデータ） (2021-09-24T17:05:58Z)
Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文参考訳（メタデータ） (2021-06-08T14:48:20Z)

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。