論文の概要: A FEDformer-Based Hybrid Framework for Anomaly Detection and Risk Forecasting in Financial Time Series

• arxiv url: http://arxiv.org/abs/2511.12951v1
• Date: Mon, 17 Nov 2025 04:09:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.652549
• Title: A FEDformer-Based Hybrid Framework for Anomaly Detection and Risk Forecasting in Financial Time Series
• Title（参考訳）: ファイナンシャル時系列における異常検出・リスク予測のためのFEDformer-based Hybrid Framework
• Authors: Ziling Fan, Ruijia Liang, Yiwen Hu,
• Abstract要約: 本研究では,金融時系列における異常検出とリスク予測のためのFEDformer-based Hybrid Frameworkを提案する。 周波数拡張分解変換器(FEDformer)と残差ベースの異常検出器とリスク予測ヘッドを統合している。 S&P 500, NASDAQ Composite, Brent Crude Oil データセット (2000-2024) を用いて行った実験は, ベンチマーク法よりも提案モデルの方が優れていることを示す。
• 参考スコア（独自算出の注目度）: 0.8065001399110248
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Financial markets are inherently volatile and prone to sudden disruptions such as market crashes, flash collapses, and liquidity crises. Accurate anomaly detection and early risk forecasting in financial time series are therefore crucial for preventing systemic instability and supporting informed investment decisions. Traditional deep learning models, such as LSTM and GRU, often fail to capture long-term dependencies and complex periodic patterns in highly nonstationary financial data. To address this limitation, this study proposes a FEDformer-Based Hybrid Framework for Anomaly Detection and Risk Forecasting in Financial Time Series, which integrates the Frequency Enhanced Decomposed Transformer (FEDformer) with a residual-based anomaly detector and a risk forecasting head. The FEDformer module models temporal dynamics in both time and frequency domains, decomposing signals into trend and seasonal components for improved interpretability. The residual-based detector identifies abnormal fluctuations by analyzing prediction errors, while the risk head predicts potential financial distress using learned latent embeddings. Experiments conducted on the S&P 500, NASDAQ Composite, and Brent Crude Oil datasets (2000-2024) demonstrate the superiority of the proposed model over benchmark methods, achieving a 15.7 percent reduction in RMSE and an 11.5 percent improvement in F1-score for anomaly detection. These results confirm the effectiveness of the model in capturing financial volatility, enabling reliable early-warning systems for market crash prediction and risk management.
• Abstract（参考訳）: 金融市場は本質的に揮発性であり、市場崩壊、フラッシュ崩壊、流動性危機などの突然の混乱の傾向にある。 したがって、金融時系列における正確な異常検出と早期リスク予測は、システム的不安定を防ぎ、情報的投資決定を支援するために重要である。 LSTMやGRUといった従来のディープラーニングモデルは、非定常的な財務データにおいて、長期的な依存関係や複雑な周期パターンをキャプチャできないことが多い。 本研究では,FEDformer-based Hybrid Framework for Anomaly Detection and Risk Forecasting in Financial Time Seriesを提案する。 FEDformerモジュールは時間領域と周波数領域の両方で時間ダイナミクスをモデル化し、信号をトレンドと季節成分に分解して解釈性を改善する。 残差検出器は予測誤差を解析して異常変動を検知し、リスクヘッドは学習された潜伏埋め込みを用いて潜在的財政難を予測する。 S&P 500, NASDAQ Composite, Brent Crude Oil データセット (2000-2024) で実施された実験は、ベンチマーク法よりも提案されたモデルの方が優れており、RMSEの15.7%の削減、異常検出のためのF1スコアの11.5パーセントの改善を実現している。 これらの結果は,市場崩壊予測やリスク管理に信頼性の高い早期警戒システムを実現するため,金融ボラティリティの把握におけるモデルの有効性を確認した。

関連論文リスト

• FinZero: Launching Multi-modal Financial Time Series Forecast with Large Reasoning Model [27.20045729222667]
  FinZeroは、FVLDBファイナンシャル時系列の推論、予測、分析的理解を行うために、UARPOによって微調整されたマルチモーダル事前訓練モデルである。 UARPOで微調整した後、FinZeroは高信頼グループのGPT-4oよりも予測精度が約13.48%向上した。
  論文  参考訳（メタデータ） (2025-09-10T16:32:41Z)
• FinHEAR: Human Expertise and Adaptive Risk-Aware Temporal Reasoning for Financial Decision-Making [58.04602111184477]
  FinHEARは、人間の専門知識と適応的リスク認識推論のためのフレームワークである。 専門のエージェントを編成し、過去の傾向を分析し、現在の出来事を解釈し、専門家にインフォームドされた前例を検索する。 金融データセットの実証的な結果から、FinHEARはトレンド予測やトレーディングタスクにおいて、一貫して強いベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-06-10T04:06:51Z)
• Predicting Bad Goods Risk Scores with ARIMA Time Series: A Novel Risk Assessment Approach [0.0]
  本研究は,時系列予測後の粗悪品の計算を目的とした独自式と時系列ARIMAモデルを統合した新しいフレームワークを提案する。 有機ビールG1リッターの2022-2024のデータセット上で実験結果が検証され、提案手法が従来の統計モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-23T09:52:11Z)
• 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)
• Leveraging Generative Adversarial Networks for Addressing Data Imbalance in Financial Market Supervision [5.864973298916232]
  本研究は,金融市場管理におけるジェネレーティブ・敵ネットワークの適用について検討する。 GANが生成したデータは、不均衡問題に対処し、モデルの予測精度を向上させる上で大きな利点がある。
  論文  参考訳（メタデータ） (2024-12-04T08:06:47Z)
• Predicting Liquidity Coverage Ratio with Gated Recurrent Units: A Deep Learning Model for Risk Management [5.864973298916232]
  本稿では、金融機関が流動性リスクをより効果的に管理できるように、ゲートリカレントユニット(GRU)ネットワークに基づく流動性カバレッジ比(LCR)予測モデルを提案する。 ディープラーニング技術におけるGRUネットワークを利用することで、モデルは過去のデータから複雑なパターンを自動的に学習し、将来しばらくの間LCRを正確に予測することができる。
  論文  参考訳（メタデータ） (2024-10-24T23:43:50Z)
• 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)
• 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)

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。