論文の概要: Integrating LSTM Networks with Neural Levy Processes for Financial Forecasting

• arxiv url: http://arxiv.org/abs/2512.07860v1
• Date: Wed, 26 Nov 2025 10:44:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-15 04:16:52.524426
• Title: Integrating LSTM Networks with Neural Levy Processes for Financial Forecasting
• Title（参考訳）: 金融予測のためのLSTMネットワークとニューラルレヴィプロセスの統合
• Authors: Mohammed Alruqimi, Luca Di Persio,
• Abstract要約: 本稿では,資産価格予測のための金融モデルとディープラーニングの最適統合について検討する。 We developed a hybrid framework using a Long Short-Term Memory (TM) network with the Merton-Lévy jump-diffusion model。 予測性能を評価するため,いくつかのベンチマークモデルと比較した。
• 参考スコア（独自算出の注目度）: 0.7734726150561088
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper investigates an optimal integration of deep learning with financial models for robust asset price forecasting. Specifically, we developed a hybrid framework combining a Long Short-Term Memory (LSTM) network with the Merton-Lévy jump-diffusion model. To optimise this framework, we employed the Grey Wolf Optimizer (GWO) for the LSTM hyperparameter tuning, and we explored three calibration methods for the Merton-Levy model parameters: Artificial Neural Networks (ANNs), the Marine Predators Algorithm (MPA), and the PyTorch-based TorchSDE library. To evaluate the predictive performance of our hybrid model, we compared it against several benchmark models, including a standard LSTM and an LSTM combined with the Fractional Heston model. This evaluation used three real-world financial datasets: Brent oil prices, the STOXX 600 index, and the IT40 index. Performance was assessed using standard metrics, including Mean Squared Error (MSE), Mean Absolute Error(MAE), Mean Squared Percentage Error (MSPE), and the coefficient of determination (R2). Our experimental results demonstrate that the hybrid model, combining a GWO-optimized LSTM network with the Levy-Merton Jump-Diffusion model calibrated using an ANN, outperformed the base LSTM model and all other models developed in this study.
• Abstract（参考訳）: 本稿では,資産価格予測のための金融モデルとディープラーニングの最適統合について検討する。 具体的には,Long Short-Term Memory(LSTM)ネットワークとMerton-Lévyジャンプ拡散モデルを組み合わせたハイブリッドフレームワークを開発した。 このフレームワークを最適化するために、LSTMハイパーパラメータチューニングにGrey Wolf Optimizer(GWO)を用い、Merton-Levyモデルパラメータの3つのキャリブレーション手法、Artificial Neural Networks(ANN)、Marine Predators Algorithm(MPA)、PyTorchベースのTorchSDEライブラリを探索した。 ハイブリッドモデルの予測性能を評価するため, 標準LSTMおよびLSTMとフラクタルヘストンモデルを組み合わせたベンチマークモデルとの比較を行った。 この評価では、ブレント原油価格、STOXX600指数、IT40指数の3つの実世界の金融データセットを使用した。 Mean Squared Error (MSE), Mean Absolute Error (MAE), Mean Squared Percentage Error (MSPE), and the coefficient of determination (R2)。 実験の結果,GWO最適化LSTMネットワークとANNを用いて校正したLevi-Merton Jump-Diffusionモデルを組み合わせたハイブリッドモデルは,ベースLSTMモデルと他のモデルよりも優れていた。

関連論文リスト

• Gradient Boosting Decision Tree with LSTM for Investment Prediction [10.423142507018577]
  このフレームワークは、時系列財務データを処理し、7つのモデルを用いてパフォーマンスを評価する。 MAE、R-squared、MSE、RMSEといった主要なメトリクスは、異なる時間スケールでベンチマークを確立するために使用される。 実験の結果,提案手法は個々のモデルと比較して精度を10～15%向上することがわかった。
  論文  参考訳（メタデータ） (2025-05-29T04:38:41Z)
• Stock Price Prediction Using a Hybrid LSTM-GNN Model: Integrating Time-Series and Graph-Based Analysis [4.833815605196965]
  本稿では、長寿命メモリ(LSTM)ネットワークとグラフニューラルネットワーク(GNN)を統合した新しいハイブリッドモデルを提案する。 LSTMコンポーネントは、株価データの時間的パターンを積極的に捉え、金融市場の時系列ダイナミクスを効果的にモデル化する。 実験の結果, LSTM-GNNモデルでは平均2乗誤差(MSE)が0.00144であることがわかった。
  論文  参考訳（メタデータ） (2025-02-19T15:09:13Z)
• Model-GLUE: Democratized LLM Scaling for A Large Model Zoo in the Wild [84.57103623507082]
  本稿では,全体論的な大規模言語モデルスケーリングガイドラインであるModel-GLUEを紹介する。 既存のスケーリングテクニック,特に選択的マージ,および混合の変種をベンチマークする。 次に、異種モデル動物園の選択と集約のための最適な戦略を定式化する。 我々の手法は、マージ可能なモデルのクラスタリング、最適なマージ戦略選択、クラスタの統合を含む。
  論文  参考訳（メタデータ） (2024-10-07T15:55:55Z)
• Margin Matching Preference Optimization: Enhanced Model Alignment with Granular Feedback [64.67540769692074]
  人間のフィードバックからの強化学習など、アライメント技術で微調整された大規模言語モデル(LLM)は、これまでで最も有能なAIシステムの開発に役立っている。 マージンマッチング選好最適化(MMPO)と呼ばれる手法を導入し、相対的な品質マージンを最適化し、LLMポリシーと報酬モデルを改善する。 人間とAIの両方のフィードバックデータによる実験によると、MMPOはMT-benchやRewardBenchといった一般的なベンチマークにおいて、ベースラインメソッドよりも一貫してパフォーマンスが向上している。
  論文  参考訳（メタデータ） (2024-10-04T04:56:11Z)
• MLP, XGBoost, KAN, TDNN, and LSTM-GRU Hybrid RNN with Attention for SPX and NDX European Call Option Pricing [0.0]
  各種ニューラルネットワークアーキテクチャの性能について検討する。 S&P 500 (SPX) とNASDAQ 100 (NDX) の指数オプションは2015-2023年に取引され、成熟期間は15日から4年以上である。 Black & Scholes (BS) の PDE citeBlack1973 モデルでは、実際のデータと同等の価格設定がベンチマークとして使用される。
  論文  参考訳（メタデータ） (2024-08-26T21:32:49Z)
• Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
  長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。 本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
  論文  参考訳（メタデータ） (2022-08-28T17:50:19Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• A Bayesian Long Short-Term Memory Model for Value at Risk and Expected Shortfall Joint Forecasting [26.834110647177965]
  バリュー・アット・リスク(VaR)と期待不足(ES)は、市場リスクを測定し、極端な市場の動きを管理するために金融セクターで広く利用されている。 量子化スコア関数と非対称ラプラス密度の最近の関係は、VaRとESのジョイントモデリングのためのフレキシブルな可能性に基づく枠組みにつながっている。 Asymmetric Laplace quasi-likelihoodをベースとしたハイブリッドモデルを開発し、機械学習のLong Short-Term Memory(LSTM)時系列モデリング技術を用いて、VaRとESの基盤となるダイナミクスを効率的に捉える。
  論文  参考訳（メタデータ） (2020-01-23T05:13:36Z)

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。