論文の概要: KANFormer for Predicting Fill Probabilities via Survival Analysis in Limit Order Books

• arxiv url: http://arxiv.org/abs/2512.05734v1
• Date: Fri, 05 Dec 2025 14:15:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-13 22:40:57.051144
• Title: KANFormer for Predicting Fill Probabilities via Survival Analysis in Limit Order Books
• Title（参考訳）: 極限順序書の生存分析による充足確率予測用カンフォーマー
• Authors: Jinfeng Zhong, Emmanuel Bacry, Agathe Guilloux, Jean-François Muzy,
• Abstract要約: KanFormerは、リミットオーダーのタイム・トゥ・フィルを予測する新しいモデルである。 これは、Dilated Causal Convolutional NetworkとTransformer Encoderを組み合わせたもので、Kolmogorov-Arnold Networks (KANs)によって強化されている。 ラベル付き注文でCAC 40インデックス先データを用いてモデルを評価する。
• 参考スコア（独自算出の注目度）: 5.144809478361604
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces KANFormer, a novel deep-learning-based model for predicting the time-to-fill of limit orders by leveraging both market- and agent-level information. KANFormer combines a Dilated Causal Convolutional network with a Transformer encoder, enhanced by Kolmogorov-Arnold Networks (KANs), which improve nonlinear approximation. Unlike existing models that rely solely on a series of snapshots of the limit order book, KANFormer integrates the actions of agents related to LOB dynamics and the position of the order in the queue to more effectively capture patterns related to execution likelihood. We evaluate the model using CAC 40 index futures data with labeled orders. The results show that KANFormer outperforms existing works in both calibration (Right-Censored Log-Likelihood, Integrated Brier Score) and discrimination (C-index, time-dependent AUC). We further analyze feature importance over time using SHAP (SHapley Additive exPlanations). Our results highlight the benefits of combining rich market signals with expressive neural architectures to achieve accurate and interpretabl predictions of fill probabilities.
• Abstract（参考訳）: 本稿では,市場レベルの情報とエージェントレベルの情報を活用することで,限定注文の充足時間を予測する新しいディープラーニングモデルであるKanFormerを紹介する。 KanFormerは、Dilated Causal Convolutional NetworkとTransformer Encoderを組み合わせ、Kolmogorov-Arnold Networks (KANs)によって強化され、非線形近似を改善する。 制限順序ブックの一連のスナップショットのみに依存する既存のモデルとは異なり、kanFormerはLOBダイナミクスに関連するエージェントのアクションとキュー内の順序の位置を統合して、実行可能性に関連するパターンをより効果的にキャプチャする。 ラベル付き注文でCAC 40インデックス先データを用いてモデルを評価する。 その結果,kanFormerはキャリブレーション(Right-Censored Log-Likelihood,Integrated Brier Score)と差別(C-index,time-dependent AUC)の両方において,既存の作業よりも優れていた。 さらに、SHAP(SHapley Additive exPlanations)を用いて、時間とともに重要な特徴を分析する。 本研究は,豊かな市場信号と表現型ニューラルアーキテクチャを組み合わせることで,確率の正確かつ解釈可能な予測を実現することの利点を強調した。

関連論文リスト

• COrAL: Order-Agnostic Language Modeling for Efficient Iterative Refinement [80.18490952057125]
  反復改良は、複雑なタスクにおける大規模言語モデル(LLM)の能力を高める効果的なパラダイムとして登場した。 我々はこれらの課題を克服するために、コンテキストワイズ順序非依存言語モデリング(COrAL)を提案する。 当社のアプローチでは、管理可能なコンテキストウィンドウ内で複数のトークン依存関係をモデル化しています。
  論文  参考訳（メタデータ） (2024-10-12T23:56:19Z)
• Deep Autoregressive Models as Causal Inference Engines [38.26602521505842]
  本稿では、複雑な共同ファウンダーやシーケンシャルアクションを扱える自己回帰的因果推論フレームワークを提案する。 提案手法は,基礎となる因果図からトークンの列へとデータを変換するemシーケンシフィケーションを用いてこれを実現している。 我々は,CIに適応したARモデルは,迷路をナビゲートしたり,チェスのエンドゲームを行ったり,あるキーワードが紙の受容率に与える影響を評価するなど,様々な複雑な応用において効率的かつ効果的であることが実証された。
  論文  参考訳（メタデータ） (2024-09-27T09:37:09Z)
• Scoreformer: A Surrogate Model For Large-Scale Prediction of Docking Scores [0.0]
  分子ドッキングスコアを正確に予測するために設計された新しいグラフトランスフォーマモデルであるScoreFormerを提案する。 ScoreFormerはドッキングスコア予測の競争性能を達成し、既存のモデルに比べて1.65倍の推論時間削減を実現している。
  論文  参考訳（メタデータ） (2024-06-13T17:31:02Z)
• Non-autoregressive Sequence-to-Sequence Vision-Language Models [59.445765313094434]
  本稿では,デコーダ内の複数の推論経路をマージする並列デコードシーケンス・ツー・シーケンス・ビジョン言語モデルを提案する。 このモデルは最先端の自己回帰モデルと同等のパフォーマンスを実現するが、推論時間では高速である。
  論文  参考訳（メタデータ） (2024-03-04T17:34:59Z)
• Enhancing Few-shot NER with Prompt Ordering based Data Augmentation [59.69108119752584]
  本稿では,PODA(Prompt Ordering Based Data Augmentation)手法を提案する。 3つのパブリックNERデータセットの実験結果とさらなる分析により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-05-19T16:25:43Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• Autoregressive Score Matching [113.4502004812927]
  自動回帰条件スコアモデル(AR-CSM)を提案する。 AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。 本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:01:24Z)
• Explaining and Improving Model Behavior with k Nearest Neighbor Representations [107.24850861390196]
  モデルの予測に責任のあるトレーニング例を特定するために, k 近傍表現を提案する。 我々は,kNN表現が学習した素因関係を明らかにするのに有効であることを示す。 以上の結果から,kNN手法により,直交モデルが逆入力に対してより堅牢であることが示唆された。
  論文  参考訳（メタデータ） (2020-10-18T16:55:25Z)

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。