論文の概要: Hybrid Quantum-Classical Ensemble Learning for S\&P 500 Directional Prediction

• arxiv url: http://arxiv.org/abs/2512.15738v1
• Date: Sat, 06 Dec 2025 22:22:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-21 14:22:08.786319
• Title: Hybrid Quantum-Classical Ensemble Learning for S\&P 500 Directional Prediction
• Title（参考訳）: S\&P 500方向予測のためのハイブリッド量子古典型アンサンブル学習
• Abstract要約: 本稿では,量子感情分析,決定変換アーキテクチャ,戦略的モデル選択を組み合わせたハイブリッドアンサンブルフレームワークを提案する。 S&P500予測の方向精度は60.14%で、個々のモデルよりも3.10%向上している。
• 参考スコア（独自算出の注目度）: 0.2538209532048867
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Financial market prediction is a challenging application of machine learning, where even small improvements in directional accuracy can yield substantial value. Most models struggle to exceed 55--57\% accuracy due to high noise, non-stationarity, and market efficiency. We introduce a hybrid ensemble framework combining quantum sentiment analysis, Decision Transformer architecture, and strategic model selection, achieving 60.14\% directional accuracy on S\&P 500 prediction, a 3.10\% improvement over individual models. Our framework addresses three limitations of prior approaches. First, architecture diversity dominates dataset diversity: combining different learning algorithms (LSTM, Decision Transformer, XGBoost, Random Forest, Logistic Regression) on the same data outperforms training identical architectures on multiple datasets (60.14\% vs.\ 52.80\%), confirmed by correlation analysis ($r>0.6$ among same-architecture models). Second, a 4-qubit variational quantum circuit enhances sentiment analysis, providing +0.8\% to +1.5\% gains per model. Third, smart filtering excludes weak predictors (accuracy $<52\%$), improving ensemble performance (Top-7 models: 60.14\% vs.\ all 35 models: 51.2\%). We evaluate on 2020--2023 market data across seven instruments, covering diverse regimes including the COVID-19 crash and inflation-driven correction. McNemar's test confirms statistical significance ($p<0.05$). Preliminary backtesting with confidence-based filtering (6+ model consensus) yields a Sharpe ratio of 1.2 versus buy-and-hold's 0.8, demonstrating practical trading potential.
• Abstract（参考訳）: 金融市場の予測は機械学習の挑戦的な応用であり、方向精度の小さな改善でもかなりの価値を得ることができる。 ほとんどのモデルは、高ノイズ、非定常性、市場効率のために、55-57\%の精度を達成できない。 我々は、量子感情分析、決定変換アーキテクチャ、戦略的モデル選択を組み合わせたハイブリッドアンサンブルフレームワークを導入し、S\&P 500予測における60.14\%の方向精度、個々のモデルに対する3.10\%の改善を実現した。 私たちのフレームワークは、以前のアプローチの3つの制限に対処します。 まず、アーキテクチャの多様性がデータセットの多様性を支配している。異なる学習アルゴリズム(LSTM、Decision Transformer、XGBoost、Random Forest、Logistic Regression)を同じデータ上で組み合わせることで、同じアーキテクチャを複数のデータセット(60.14\%対)でトレーニングする。 52.80\%), 相関解析(r>0.6$)により確認された。 第2に、4量子変動量子回路は感情分析を強化し、モデル毎に+0.8\%から+1.5\%のゲインを提供する。 第3に、スマートフィルタリングは弱い予測器(精度$<52\%$)を除外し、アンサンブル性能を改善する(Top-7モデル: 60.14\% vs.)。 全35モデル: 51.2\%)。 2020-2023年の市場データを7つの指標で評価し、COVID-19の崩壊やインフレーションによる補正など、さまざまな体制を網羅した。 McNemarのテストは、統計的重要性(p<0.05$)を確認している。 信頼に基づくフィルタリング (6以上のモデルコンセンサス) による予備的バックテストでは、シャープ比が1.2であり、バイ・アンド・ホールドの0.8であり、実用的なトレーディングの可能性を示している。

関連論文リスト

• Tabular Deep Learning for Algorithmic Trading: Cross-Regime Bayesian Optimisation for Equity Signal Generation [0.0]
  5つのモデルクラスは、11年間で約300の米国株式から毎日の観測に基づいて訓練されている。 XGBoostとTabNetをランクアグリゲーションで組み合わせると、毎年51.26%のリターンを持つハイブリッドアンサンブルが生成される。 ほぼゼロに近いベータでは、このパフォーマンスは市場への露出ではなく、株価の選択によるものであることを示している。
  論文  参考訳（メタデータ） (2026-08-27T13:01:32Z)
• Towards Robust Training in NNGPT AutoML Pipeline: A Loss-Optimizer Pairing Selection Study [48.83701310501069]
  本稿では, 一つのレシピがヘテロジニアスなアーキテクチャプールに十分であるか, 最適ペアリングが構造的に多様なモデルによって異なるかを検討する。 我々は,CEL(Cross-Entropy),NLL(Negative Log-Likelihood),および最近導入された遺伝学的に進化したNGL損失を,LEMURヘテロジニアス・アーキテクチャー・プールの6つの画像分類データセット上に提示したベースモデル間で比較検討した。 我々の結果は、単一のペアリングが普遍的に最適でないことを確認した。AdamやAdamWとのクロスエントロピーは、最も堅牢な選択である。
  論文  参考訳（メタデータ） (2026-06-18T20:51:42Z)
• Models Can Model, But Can't Bind: Structured Grounding in Text-to-Optimization [54.749573452394664]
  定式化自体が単純である場合でも、インスタンスデータが大きくなるにつれて精度が低下する。 我々は, 数値データを構造化ファイルに外部化する単純な推論時アプローチであるBINDを用いて, モデルがプロンプトプロンプトからではなく, データをバインドする。 我々は,モデルのみをバインディングのみに微調整することで仮説を検証し,3つの構造的に異なる最適化カテゴリにおいて,エンドツーエンドのSFTおよびRLよりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-05-20T21:25:41Z)
• Prediction Arena: Benchmarking AI Models on Real-World Prediction Markets [0.0]
  Prediction Arenaは、AIモデルの予測精度と意思決定を評価するためのベンチマークである。 ライブトレーディングにおける6つのフロンティアモデル(Cohort 1, full period)と、ペーパートレーディングにおける4つの次世代モデル(Cohort 2, 3-day pre)の2つのコホートを追跡。 我々の分析では、初期予測精度と正しい予測を活用できる能力が主な要因である、明確な性能階層を同定する。
  論文  参考訳（メタデータ） (2026-03-28T06:13:17Z)
• FIPO: Eliciting Deep Reasoning with Future-KL Influenced Policy Optimization [84.58281577727566]
  本稿では,大規模言語モデルにおける推論ボトルネックを克服する強化学習アルゴリズムであるFuture-KL Influenced Policy Optimization (FIPO)を提案する。 FIPOは、割引先KLの分岐をポリシー更新に組み込むことでこの問題に対処し、その後の軌道行動への影響に基づいてトークンを再重み付けする密集した有利な定式化を作成する。 Qwen2.5-32Bで評価され、FIPOは平均チェーン長を約4,000から10,000以上のトークンに拡張し、AIME 2024 Pass@1の精度を50.0%から58.0%に向上させた。
  論文  参考訳（メタデータ） (2026-03-20T10:24:50Z)
• Adaptive Regime-Aware Stock Price Prediction Using Autoencoder-Gated Dual Node Transformers with Reinforcement Learning Control [1.2362187555287152]
  既存のアプローチは全ての市場状態を均一に扱うか、または手動のレギュレーションラベリングを必要とする。 本稿では,通常の市場条件から逸脱を適応的に識別し,特定の予測経路を通じてデータをルーティングする適応予測フレームワークを提案する。 1982年から2025年にかけてのS&P500株20株の実験では、このフレームワークは1日間の予測では0.68%のMAPE、完全な適応システムでは0.59%のMAPEを達成した。
  論文  参考訳（メタデータ） (2026-03-19T16:55:33Z)
• A Controlled Comparison of Deep Learning Architectures for Multi-Horizon Financial Forecasting: Evidence from 918 Experiments [0.0]
  マルチ水平価格予測は、ポートフォリオ割り当て、リスク管理、アルゴリズム取引の中心である。 ディープラーニングアーキテクチャは、厳格な財務ベンチマークで評価できるよりも急速に成長しています。 ModernTCNは75パーセントの1位率で最高ランク(1.333)を獲得し、PatchTST(2.000)が続く。
  論文  参考訳（メタデータ） (2026-02-27T03:27:04Z)
• Step 3.5 Flash: Open Frontier-Level Intelligence with 11B Active Parameters [169.7981969517903]
  Step 3.5 Flashは、フロンティアレベルのエージェントインテリジェンスと計算効率を橋渡しする。 エージェントを構築する上で最も重要なもの、すなわち、シャープな推論と高速で信頼性の高い実行に重点を置いています。
  論文  参考訳（メタデータ） (2026-02-11T07:53:51Z)
• Non-Convex Portfolio Optimization via Energy-Based Models: A Comparative Analysis Using the Thermodynamic HypergRaphical Model Library (THRML) for Index Tracking [0.0]
  本稿では,確率的グラフィカルモデルの構築とサンプリングを行うJAXベースのライブラリである THRML (Thermodynamic HypergRaphical Model Library) を用いた新しいアプローチを提案する。 THRMLはGPU加速ブロックギブスサンプリングによる高品質なポートフォリオのボルツマン分布からのサンプルであり、オーバーフィッティングに対する自然な正規化を提供する。 2023年から2025年までの100ストックのSとP500の宇宙でのバックテストでは、THRMLは5.66から6.30%のベースラインに対して毎年4.31パーセントのトラッキングエラーを達成し、同時に128.63パーセントの総リターンを発生している。
  論文  参考訳（メタデータ） (2026-01-12T18:04:33Z)
• Hybrid Quantum-Classical Model for Image Classification [0.0]
  本研究では,3つのベンチマークデータセットにおけるハイブリッド量子古典ニューラルネットワークと純粋に古典的なモデルとの系統的比較を示す。 ハイブリッドモデルはパラメータ化量子回路と古典的なディープラーニングアーキテクチャを統合し、古典的なモデルは従来の畳み込みニューラルネットワーク(CNN)を使用している。 実験は、検証精度、テスト精度、トレーニング時間、計算資源の使用量、敵の堅牢性など、データセット毎の50以上のトレーニングエポックで実施された。
  論文  参考訳（メタデータ） (2025-09-14T09:55:00Z)
• RGB-Event Fusion with Self-Attention for Collision Prediction [9.268995547414777]
  本稿では,動的物体を持つ無人航空機の時間と衝突位置を予測するニューラルネットワークフレームワークを提案する。 提案したアーキテクチャは、2つの異なるエンコーダ分岐で構成されており、1つはモダリティ、次に自己アテンションによる融合により予測精度が向上する。 核融合モデルでは, 平均で1%, 0.5mを超える距離で10%の精度で予測精度が向上するが, メモリで+71%, FLOPで+105%のコストがかかることがわかった。
  論文  参考訳（メタデータ） (2025-05-07T09:03:26Z)
• AWARE-NET: Adaptive Weighted Averaging for Robust Ensemble Network in Deepfake Detection [0.0]
  ディープラーニングに基づくディープフェイク検出のための新しい2層アンサンブルフレームワークを提案する。 私たちのフレームワークは、各アーキテクチャが3回インスタンス化されるユニークなアプローチを採用しています。 実験は最先端のデータセット内性能を達成した。
  論文  参考訳（メタデータ） (2025-05-01T05:14:50Z)
• Anyprefer: An Agentic Framework for Preference Data Synthesis [62.3856754548222]
  ターゲットモデルを調整するための高品質な嗜好データを合成するフレームワークであるAnypreferを提案する。 審査員モデルの応答を正確に評価するために、外部ツールが導入される。 合成されたデータは、58Kの高品質な選好ペアからなる新しい選好データセットであるAnyprefer-V1にコンパイルされる。
  論文  参考訳（メタデータ） (2025-04-27T15:21:59Z)
• Building Math Agents with Multi-Turn Iterative Preference Learning [56.71330214021884]
  本稿では,モデル性能をさらに向上させるために,補完的な直接選好学習手法について検討する。 既存の直接選好学習アルゴリズムは、もともとシングルターンチャットタスク用に設計されている。 この文脈に合わせたマルチターン直接選好学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-04T02:41:04Z)
• Decorrelating Structure via Adapters Makes Ensemble Learning Practical for Semi-supervised Learning [50.868594148443215]
  コンピュータビジョンでは、従来のアンサンブル学習法は訓練効率が低いか、限られた性能を示す。 本稿では,視覚的タスクに適応器を用いたDecorrelating Structure(DSA)による軽量,損失関数なし,アーキテクチャに依存しないアンサンブル学習を提案する。
  論文  参考訳（メタデータ） (2024-08-08T01:31:38Z)
• Accurate and Reliable Predictions with Mutual-Transport Ensemble [46.368395985214875]
  Kullback-Leibler (KL) を用いた共学習補助モデルの提案とクロスエントロピー損失の適応的正則化 MTEは精度と不確実性の両方を同時に向上させることができる。 例えば、CIFAR-100データセットでは、我々のResNet34/50上のMTEメソッドは、従来の最先端の手法に比べて大幅に改善された。
  論文  参考訳（メタデータ） (2024-05-30T03:15:59Z)
• Common 7B Language Models Already Possess Strong Math Capabilities [61.61442513067561]
  本稿では,LLaMA-2 7Bモデルと事前学習を併用したモデルが,すでに強力な数学的能力を示していることを示す。 拡張スケーリングの可能性は、公開されている数学の質問の不足によって制限されている。
  論文  参考訳（メタデータ） (2024-03-07T18:00:40Z)
• Integrating feature selection and regression methods with technical indicators for predicting Apple Inc. stock prices [0.0]
  本研究では,技術指標を用いた株価予測精度に及ぼす特徴選択の影響について検討した。 Squeeze_pro, Percentage Price, Thermo, Archer On-Balance Volume, Bollinger Bands, Squeeze,ichimokuが, 株価予測に最も有効な技術指標であった。
  論文  参考訳（メタデータ） (2023-10-15T18:09:09Z)
• Uncovering the Limits of Adversarial Training against Norm-Bounded Adversarial Examples [47.27255244183513]
  本研究では, 異なるトレーニング損失, モデルサイズ, アクティベーション機能, ラベルなしデータの付加(擬似ラベル付け)などの要因が, 相手の強靭性に及ぼす影響について検討した。 我々は、より大きなモデル、Swish/SiLUアクティベーションとモデルウェイト平均化を組み合わせることで、最先端の成果をはるかに超えるロバストモデルをトレーニングできることを発見した。
  論文  参考訳（メタデータ） (2020-10-07T18:19:09Z)
• Triple Wins: Boosting Accuracy, Robustness and Efficiency Together by Enabling Input-Adaptive Inference [119.19779637025444]
  深層ネットワークは、(クリーンな自然画像の場合)正確さと(敵対的な摂動画像の場合)頑健さの相違に直面することを最近提案された。 本稿では,入力適応推論に関連するマルチエグジットネットワークについて検討し,モデル精度,ロバスト性,効率の最適化において「スイートポイント」を達成する上での強い期待を示す。
  論文  参考訳（メタデータ） (2020-02-24T00:40:22Z)

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。