Fugu-MT 論文翻訳(概要): Stock Prediction via a Dual Relation Fusion Network incorporating Static and Dynamic Relations

論文の概要: Stock Prediction via a Dual Relation Fusion Network incorporating Static and Dynamic Relations

arxiv url: http://arxiv.org/abs/2510.10695v1
Date: Sun, 12 Oct 2025 16:48:25 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-14 18:06:30.071925
Title: Stock Prediction via a Dual Relation Fusion Network incorporating Static and Dynamic Relations
Title（参考訳）: 静的・動的関係を考慮した二重関係融合ネットワークによる株価予測
Authors: Long Chen, Huixin Bai, Mingxin Wang, Xiaohua Huang, Ying Liu, Jie Zhao, Ziyu Guan,
Abstract要約: 本稿では,ストック関係構造の長期的相対安定性を捉えるために,Dual Relation Fusion Network (DRFN)を提案する。提案手法は,時間変化の長期パターンをモデル化し,一晩のインフォメーション・インフルエンスを組み込んだ,新しい静的な関係成分を特徴とする。本手法は,リレーショナル強度と株価の協調移動に対して高い感度で,異なる市場におけるベースラインを著しく上回る。
参考スコア（独自算出の注目度）: 21.97919799552299
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate modeling of inter-stock relationships is critical for stock price forecasting. However, existing methods predominantly focus on single-state relationships, neglecting the essential complementarity between dynamic and static inter-stock relations. To solve this problem, we propose a Dual Relation Fusion Network (DRFN) to capture the long-term relative stability of stock relation structures while retaining the flexibility to respond to sudden market shifts. Our approach features a novel relative static relation component that models time-varying long-term patterns and incorporates overnight informational influences. We capture dynamic inter-stock relationships through distance-aware mechanisms, while evolving long-term structures via recurrent fusion of dynamic relations from the prior day with the pre-defined static relations. Experiments demonstrate that our method significantly outperforms the baselines across different markets, with high sensitivity to the co-movement of relational strength and stock price.
Abstract（参考訳）: 株価予測には、ストック間関係の正確なモデリングが不可欠である。しかし、既存の手法は主に単一状態関係に焦点をあて、動的および静的な相互関係の相補性を無視している。この問題を解決するために,突然の市場変動に対応する柔軟性を維持しつつ,ストック関係構造の長期的相対安定性を捉えるためのDual Relation Fusion Network (DRFN)を提案する。提案手法は,時間変化の長期パターンをモデル化し,一晩のインフォメーション・インフルエンスを組み込んだ,新しい静的な関係成分を特徴とする。本研究では,従来の動的関係と事前定義された静的関係を融合させて長期構造を進化させながら,距離認識機構による動的関係を捉える。実験により,本手法は,関係強度と株価の協調移動に対して高い感度で,異なる市場におけるベースラインを著しく上回ることを示した。

関連論文リスト

MaGNet: A Mamba Dual-Hypergraph Network for Stock Prediction via Temporal-Causal and Global Relational Learning [3.2859360081297715]
この研究は、ストック予測のための新しいMamba dual-hyperGraph NetworkであるMaGNetを紹介する。 MaGNetはMAGEブロック、フィーチャーワイドおよびストックワイド2D時空間アテンションモジュール、デュアルハイパーグラフフレームワークを統合している。 6つの主要株価指数の実験では、MaGNetは優れた予測性能と例外的な投資リターンの両方において最先端の手法を上回っている。
論文参考訳（メタデータ） (2025-10-29T20:47:16Z)
AsyReC: A Multimodal Graph-based Framework for Spatio-Temporal Asymmetric Dyadic Relationship Classification [8.516886985159928]
ダイアドの社会的関係は、空間的経験と時間的経験の共有によって形成される。これらの関係をモデル化するための現在の計算手法は3つの大きな課題に直面している。非対称なダイアド関係分類のための多モードグラフベースのフレームワークAsyReCを提案する。
論文参考訳（メタデータ） (2025-04-07T12:52:23Z)
DreamRelation: Relation-Centric Video Customization [33.65405972817795]
ビデオのカスタマイズ(英: video customization)とは、2つの主題間のユーザー特定関係を描写したパーソナライズされたビデオを作成することを指す。既存の手法では、被写体や動きをパーソナライズできるが、複雑なビデオのカスタマイズには苦戦している。本稿では,DreamRelationを提案する。DreamRelationはビデオの小さな集合を捉え,デカップリング学習とダイナミックエンハンスメントという2つの重要なコンポーネントを活用する。
論文参考訳（メタデータ） (2025-03-10T17:58:03Z)
Dynamic Graph Representation with Contrastive Learning for Financial Market Prediction: Integrating Temporal Evolution and Static Relations [5.892066196730197]
時間グラフ学習(TGL)は、株式市場の進化する性質を捉えるために不可欠である。伝統的な手法は、動的時間的変化とストック間の静的構造の間の相互作用を無視することが多い。動的グラフ関係と静的グラフ関係を統合するコントラスト学習フレームワークによる動的グラフ表現を提案する。
論文参考訳（メタデータ） (2024-12-05T10:15:56Z)
Neural Interaction Energy for Multi-Agent Trajectory Prediction [55.098754835213995]
ニューラル・インタラクション・エナジー(MATE)によるマルチエージェント軌道予測(Multi-Agent Trajectory Prediction)というフレームワークを導入する。 MATEは神経相互作用エネルギーを用いてエージェントの対話運動を評価する。時間的安定性を高めるために,エージェント間相互作用制約とエージェント内動作制約という2つの制約を導入する。
論文参考訳（メタデータ） (2024-04-25T12:47:47Z)
Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
論文参考訳（メタデータ） (2024-01-22T18:58:22Z)
Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。 RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
論文参考訳（メタデータ） (2023-09-20T08:11:58Z)
Joint-Relation Transformer for Multi-Person Motion Prediction [79.08243886832601]
相互作用モデリングの強化を目的とした結合関係変換器を提案する。提案手法は3DPW-SoMoF/RCで900ms VIMを13.4%改善し, 3s MPJPEで17.8%/12.0%改善した。
論文参考訳（メタデータ） (2023-08-09T09:02:47Z)
Cross-Modality Time-Variant Relation Learning for Generating Dynamic Scene Graphs [16.760066844287046]
動的シーングラフにおける関係の時間的変化をモデル化するために,時間変動型関係対応TRansformer (TR$2$)を提案する。 TR$2$は2つの異なる設定下で従来の最先端メソッドよりも大幅に優れていることを示す。
論文参考訳（メタデータ） (2023-05-15T10:30:38Z)
EvolveHypergraph: Group-Aware Dynamic Relational Reasoning for Trajectory Prediction [39.66755326557846]
本稿では,動的に進化する関係構造を明示的に推論したグループ認識型関係推論手法(Hypergraph)を提案する。提案手法は, 説明可能な, 合理的なグループ認識関係を推定し, 長期予測における最先端性能を実現する。
論文参考訳（メタデータ） (2022-08-10T17:57:10Z)
Relation of the Relations: A New Paradigm of the Relation Extraction Problem [52.21210549224131]
我々は,関係抽出(RE)の新たなパラダイムを提案し,同じ文脈におけるすべての関係の予測を総合的に検討する。我々は、手作りのルールを必要としないデータ駆動型アプローチを開発し、グラフニューラルネットワークと関係行列変換器を用いた関係関係(RoR)をそれ自体で学習する。実験の結果、私たちのモデルはACE05データセットでは+1.12%、SemEval 2018 Task 7.2では2.55%で最先端のアプローチよりも優れています。
論文参考訳（メタデータ） (2020-06-05T22:25:27Z)
Discovering Nonlinear Relations with Minimum Predictive Information Regularization [67.7764810514585]
本稿では,時系列から方向関係を推定する最小限の情報正規化手法を提案する。本手法は, 合成データセットの非線形関係を学習するための他の手法よりも優れている。
論文参考訳（メタデータ） (2020-01-07T04:28:00Z)

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。