論文の概要: Spiking Neural Network for Cross-Market Portfolio Optimization in Financial Markets: A Neuromorphic Computing Approach

• arxiv url: http://arxiv.org/abs/2510.15921v1
• Date: Wed, 01 Oct 2025 19:13:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-26 16:57:26.44708
• Title: Spiking Neural Network for Cross-Market Portfolio Optimization in Financial Markets: A Neuromorphic Computing Approach
• Title（参考訳）: 金融市場におけるポートフォリオ最適化のためのスパイキングニューラルネットワーク:ニューロモーフィックコンピューティングアプローチ
• Authors: Amarendra Mohan, Ameer Tamoor Khan, Shuai Li, Xinwei Cao, Zhibin Li,
• Abstract要約: 本研究では,スパイキングニューラルネットワーク(SNN)の市場ポートフォリオ最適化への応用について検討する。 Yahoo Finance APIを通じて、毎日の株価の取引日を約1,250日とする5年間のデータセットを体系的に収集した。 提案フレームワークはLeaky Integrate-andFireニューロンダイナミクスを適応しきい値、スパイク依存性の可塑性、横方向の抑制と統合し、金融時系列のイベント駆動処理を可能にする。
• 参考スコア（独自算出の注目度）: 15.61592859327542
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Cross-market portfolio optimization has become increasingly complex with the globalization of financial markets and the growth of high-frequency, multi-dimensional datasets. Traditional artificial neural networks, while effective in certain portfolio management tasks, often incur substantial computational overhead and lack the temporal processing capabilities required for large-scale, multi-market data. This study investigates the application of Spiking Neural Networks (SNNs) for cross-market portfolio optimization, leveraging neuromorphic computing principles to process equity data from both the Indian (Nifty 500) and US (S&P 500) markets. A five-year dataset comprising approximately 1,250 trading days of daily stock prices was systematically collected via the Yahoo Finance API. The proposed framework integrates Leaky Integrate-andFire neuron dynamics with adaptive thresholding, spike-timingdependent plasticity, and lateral inhibition to enable event-driven processing of financial time series. Dimensionality reduction is achieved through hierarchical clustering, while populationbased spike encoding and multiple decoding strategies support robust portfolio construction under realistic trading constraints, including cardinality limits, transaction costs, and adaptive risk aversion. Experimental evaluation demonstrates that the SNN-based framework delivers superior risk-adjusted returns and reduced volatility compared to ANN benchmarks, while substantially improving computational efficiency. These findings highlight the promise of neuromorphic computation for scalable, efficient, and robust portfolio optimization across global financial markets.
• Abstract（参考訳）: 市場ポートフォリオの最適化は、金融市場のグローバル化と高周波多次元データセットの成長により、ますます複雑化している。 従来の人工知能ニューラルネットワークは、特定のポートフォリオ管理タスクに有効であるが、しばしばかなりの計算オーバーヘッドを発生させ、大規模なマルチマーケットデータに必要な時間処理能力が欠如している。 本研究では,インド (Nifty 500) と米国 (S&P 500) の両市場からのエクイティデータを処理するために,ニューロモルフィックコンピューティングの原理を活用して,市場ポートフォリオ最適化のためのスパイキングニューラルネットワーク(SNN)の適用について検討する。 Yahoo Finance APIを通じて、毎日の株価の取引日を約1,250日とする5年間のデータセットを体系的に収集した。 提案フレームワークはLeaky Integrate-andFireニューロンダイナミクスを適応しきい値、スパイク刺激依存性の可塑性、および横方向の抑制と統合し、金融時系列のイベント駆動処理を可能にする。 人口ベースのスパイクエンコーディングと複数のデコード戦略は、基数制限、取引コスト、適応リスク回避を含む現実的な取引制約の下で、ロバストなポートフォリオ構築をサポートする。 実験的評価により、SNNベースのフレームワークは、ANNベンチマークよりもリスク調整されたリターンとボラティリティの低減を実現し、計算効率を大幅に向上することが示された。 これらの結果は、グローバル金融市場全体にわたって、スケーラブルで効率的で堅牢なポートフォリオ最適化のためのニューロモルフィック計算の可能性を浮き彫りにしている。

関連論文リスト

• Large-scale portfolio optimization with variational neural annealing [0.0]
  ターンオーバー制限やトランザクションコストといった現実の制約の下では、ポートフォリオ最適化は混合整数非線形プログラムとなる。 我々は、この問題を古典的イジング様ハミルトニアンにマッピングし、変分アニーリング(VNA)を用いて解くことを提案する。 VNAは2000以上の資産に対して最適に近い解を特定でき、モスキーのような最先端の定式化に匹敵する性能が得られることを実証する。
  論文  参考訳（メタデータ） (2025-07-09T17:46:59Z)
• Your Offline Policy is Not Trustworthy: Bilevel Reinforcement Learning for Sequential Portfolio Optimization [82.03139922490796]
  強化学習(Reinforcement Learning, RL)は、過去のデータを用いたリスクを最小限にしつつ累積リターンを最大化することを目的とした、株式取引のような逐次的ポートフォリオ最適化タスクにおいて、大きな可能性を示してきた。 従来のRLアプローチは、固定データセット内での振る舞いの購入と販売を最適に記憶するだけのポリシーを生成することが多い。 当社のアプローチでは,ポートフォリオ最適化を新たなタイプの部分オフラインRL問題として捉え,2つの技術的貢献を行う。
  論文  参考訳（メタデータ） (2025-05-19T06:37:25Z)
• Robust and Efficient Deep Hedging via Linearized Objective Neural Network [9.658615377672929]
  本稿では,線形オブジェクトニューラルネット(DHLNN)を用いたディープヘッジを提案する。 DHLNNはトレーニングプロセスを安定化し、収束を加速し、ノイズの多い財務データに対する堅牢性を向上させる。 DHLNNは,様々な市場シナリオにおいて,より高速な収束,安定性の向上,ヘッジ性能の向上を実現している。
  論文  参考訳（メタデータ） (2025-02-25T01:23:21Z)
• Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
  異常と欠落したデータは、産業応用における厄介な問題を構成する。 ディープラーニングによる異常検出が重要な方向として現れている。 エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
  論文  参考訳（メタデータ） (2024-11-06T15:38:31Z)
• Quantformer: from attention to profit with a quantitative transformer trading strategy [1.6006550105523192]
  本稿では,トランスをベースとした拡張ニューラルネットワークアーキテクチャであるQuantformerを導入して,投資要因を構築する。 この研究は2010年から2023年にかけて、中国資本市場における4,601株の5000,000以上の転がるデータを集めている。 本研究は,他の100因子量的戦略と比較して,株価トレンド予測におけるモデルの性能が優れていることを示す。
  論文  参考訳（メタデータ） (2024-03-30T17:18:00Z)
• Augmented Bilinear Network for Incremental Multi-Stock Time-Series Classification [83.23129279407271]
  本稿では,有価証券のセットで事前学習したニューラルネットワークで利用可能な知識を効率的に保持する手法を提案する。 本手法では,既存の接続を固定することにより,事前学習したニューラルネットワークに符号化された事前知識を維持する。 この知識は、新しいデータを用いて最適化された一連の拡張接続によって、新しい証券に対して調整される。
  論文  参考訳（メタデータ） (2022-07-23T18:54:10Z)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)
• Long Short-Term Memory Neural Network for Financial Time Series [0.0]
  株価変動の予測のために,単体および並列長短期記憶ニューラルネットワークのアンサンブルを提案する。 ストレートなトレーディング戦略では、ランダムに選択されたポートフォリオと指数のすべての株を含むポートフォリオを比較すると、LSTMアンサンブルから得られたポートフォリオが平均的なリターンと時間とともに高い累積リターンを提供することを示している。
  論文  参考訳（メタデータ） (2022-01-20T15:17:26Z)
• 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)
• Deep Stock Predictions [58.720142291102135]
  本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。 次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。 カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
  論文  参考訳（メタデータ） (2020-06-08T23:37:47Z)

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。