論文の概要: Multi-period Learning for Financial Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2511.08622v1
• Date: Thu, 13 Nov 2025 01:00:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-13 22:34:54.149563
• Title: Multi-period Learning for Financial Time Series Forecasting
• Title（参考訳）: 金融時系列予測のためのマルチ周期学習
• Authors: Xu Zhang, Zhengang Huang, Yunzhi Wu, Xun Lu, Erpeng Qi, Yunkai Chen, Zhongya Xue, Qitong Wang, Peng Wang, Wei Wang,
• Abstract要約: 金融時系列予測を強化するためのMLF(Multi- period Learning Framework)を提案する。 MLFは、異なる長さ(周期)の複数の入力を組み込んで、より良い精度を実現し、トレーニング中に入力長を選択するコストを削減する。
• 参考スコア（独自算出の注目度）: 10.690069186618155
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series forecasting is important in finance domain. Financial time series (TS) patterns are influenced by both short-term public opinions and medium-/long-term policy and market trends. Hence, processing multi-period inputs becomes crucial for accurate financial time series forecasting (TSF). However, current TSF models either use only single-period input, or lack customized designs for addressing multi-period characteristics. In this paper, we propose a Multi-period Learning Framework (MLF) to enhance financial TSF performance. MLF considers both TSF's accuracy and efficiency requirements. Specifically, we design three new modules to better integrate the multi-period inputs for improving accuracy: (i) Inter-period Redundancy Filtering (IRF), that removes the information redundancy between periods for accurate self-attention modeling, (ii) Learnable Weighted-average Integration (LWI), that effectively integrates multi-period forecasts, (iii) Multi-period self-Adaptive Patching (MAP), that mitigates the bias towards certain periods by setting the same number of patches across all periods. Furthermore, we propose a Patch Squeeze module to reduce the number of patches in self-attention modeling for maximized efficiency. MLF incorporates multiple inputs with varying lengths (periods) to achieve better accuracy and reduces the costs of selecting input lengths during training. The codes and datasets are available at https://github.com/Meteor-Stars/MLF.
• Abstract（参考訳）: 金融分野では時系列予測が重要である。 金融時系列(TS)パターンは、短期の世論と中長期の政策と市場動向の影響を受けている。 したがって、多周期入力を処理することは、正確な財務時系列予測(TSF)にとって重要となる。 しかし、現在のTSFモデルはシングル周期入力のみを使用するか、多周期特性に対処するためのカスタマイズされた設計を欠いている。 本稿では,金融TSF性能を向上させるためのMLF(Multi- period Learning Framework)を提案する。 MLFはTSFの精度と効率性の両方を考慮している。 具体的には、精度を向上させるために、多周期入力をよりよく統合する3つの新しいモジュールを設計する。 一 期間間冗長フィルタリング(IRF)であって、正確な自己注意モデリングのための期間間の情報冗長性を除去するものである。 (II)多時期予測を効果的に統合するLWI(Learningable Weighted-Average Integration) 三 複数周期の自己適応パッチ(MAP)は、各期間に同じ数のパッチを設定することにより、特定の期間に対するバイアスを軽減する。 さらに,自己アテンションモデリングにおけるパッチ数を削減し,効率を最大化するためのPatch Squeezeモジュールを提案する。 MLFは、異なる長さ(周期)の複数の入力を組み込んで、より良い精度を実現し、トレーニング中に入力長を選択するコストを削減する。 コードとデータセットはhttps://github.com/Meteor-Stars/MLFで公開されている。

関連論文リスト

• Rethinking Irregular Time Series Forecasting: A Simple yet Effective Baseline [12.66709671516384]
  本稿では,汎用的で効率的な予測フレームワークであるAPNを紹介する。 APNの中核には、新しい Time-Aware Patch Aggregation (ATAPA) モジュールがある。 パッチ表現をタイムアウェアな重み付けで計算し、すべての生の観察を集約する。 このアプローチは、人工的なデータポイントの導入を回避し、設計による完全な情報カバレッジを確保することによって、データの忠実性を維持する。
  論文  参考訳（メタデータ） (2025-05-16T13:42:00Z)
• A Multi-scale Representation Learning Framework for Long-Term Time Series Forecasting [6.344911113059126]
  長期時系列予測(LTSF)は、エネルギー消費や天気予報といった実用的な設定において幅広い用途を提供する。 この研究は、多粒度情報の最適部分利用を含むLTSFの重要な問題に直面している。 提案手法は,様々なスケールにわたる明瞭で同時的な予測を用いて,複雑な時間的ダイナミクスを適切に解き放つ。
  論文  参考訳（メタデータ） (2025-05-13T03:26:44Z)
• Unlocking the Power of Patch: Patch-Based MLP for Long-Term Time Series Forecasting [0.0]
  近年,Transformer アーキテクチャを改良し,長期連続予測タスクの有効性を実証する研究が進められている。 これらのモデルの有効性は, 適用されたパッチ機構に大きく寄与する。 LTSFタスクのための新しいシンプルなパッチベースコンポーネント(PatchMLP)を提案する。
  論文  参考訳（メタデータ） (2024-05-22T12:12:20Z)
• CALF: Aligning LLMs for Time Series Forecasting via Cross-modal Fine-Tuning [59.88924847995279]
  MTSFのためのクロスモーダルLCMファインチューニング(CALF)フレームワークを提案する。 分散の相違を低減するため,クロスモーダルマッチングモジュールを開発した。 CALFは、長期および短期の予測タスクの最先端のパフォーマンスを確立する。
  論文  参考訳（メタデータ） (2024-03-12T04:04:38Z)
• Interactive Test-Time Adaptation with Reliable Spatial-Temporal Voxels for Multi-Modal Segmentation [56.70910056845503]
  マルチモーダルテストタイム適応(MM-TTA)は、補完的なマルチモーダル入力をオンライン形式で活用することにより、ラベルのないターゲットドメインにモデルを適応させる。 従来のMM-TTA法は, 時間的不整合によるフレームワイドの不安定な予測と, 信頼度誘導の仮定に反する不正確な予測の2つの大きな限界に悩まされていた。 Latte++は、より情報的な幾何学的対応によって不安定なフレーム単位の予測をより抑制し、対話型テスト時間適応(ITTA)は、努力を伴わない人間のフィードバックを促進するフレキシブルなアドオンである。
  論文  参考訳（メタデータ） (2024-03-11T06:56:08Z)
• Time-LLM: Time Series Forecasting by Reprogramming Large Language Models [110.20279343734548]
  時系列予測は多くの実世界の力学系において重要な意味を持つ。 時系列予測のための大規模言語モデルを再利用するための再プログラミングフレームワークであるTime-LLMを提案する。 Time-LLMは、最先端の特殊な予測モデルよりも優れた、強力な時系列学習者である。
  論文  参考訳（メタデータ） (2023-10-03T01:31:25Z)
• LIFE: Learning Individual Features for Multivariate Time Series Prediction with Missing Values [71.52335136040664]
  本稿では,MTS予測のための新しいパラダイムを提供する学習個人特徴(LIFE)フレームワークを提案する。 LIFEは、相関次元を補助情報として使用し、非相関次元からの干渉を欠落値で抑制することにより、予測のための信頼性の高い特徴を生成する。 3つの実世界のデータセットの実験は、既存の最先端モデルに対するLIFEの優位性を検証する。
  論文  参考訳（メタデータ） (2021-09-30T04:53:24Z)

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。