論文の概要: DecoKAN: Interpretable Decomposition for Forecasting Cryptocurrency Market Dynamics

• arxiv url: http://arxiv.org/abs/2512.20028v1
• Date: Tue, 23 Dec 2025 03:44:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.736164
• Title: DecoKAN: Interpretable Decomposition for Forecasting Cryptocurrency Market Dynamics
• Title（参考訳）: DecoKAN:暗号市場のダイナミクス予測のための解釈可能な分解
• Authors: Yuan Gao, Zhenguo Dong, Xuelong Wang, Zhiqiang Wang, Yong Zhang, Shaofan Wang,
• Abstract要約: DecoKANは、多層離散ウェーブレット変換(DWT)を統合した解釈可能な予測フレームワークで、Colmogorov-Arnold Network(KAN)ミキサーを用いて分離・階層的な信号分解を行い、透過的かつ解釈可能な非線形モデリングを行う。 実験により、DecoKANは、テストされた実世界の暗号データセット(BTC、ETH、XMR)で平均平均平均平均値のMean Squared Errorを達成することが示された。 これらの結果は、デコカンが予測精度とモデル透明性のギャップを埋め、複雑な暗号通貨市場における信頼できる意思決定支援を前進させる可能性を検証する。
• 参考スコア（独自算出の注目度）: 18.23591598342295
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate and interpretable forecasting of multivariate time series is crucial for understanding the complex dynamics of cryptocurrency markets in digital asset systems. Advanced deep learning methodologies, particularly Transformer-based and MLP-based architectures, have achieved competitive predictive performance in cryptocurrency forecasting tasks. However, cryptocurrency data is inherently composed of long-term socio-economic trends and local high-frequency speculative oscillations. Existing deep learning-based 'black-box' models fail to effectively decouple these composite dynamics or provide the interpretability needed for trustworthy financial decision-making. To overcome these limitations, we propose DecoKAN, an interpretable forecasting framework that integrates multi-level Discrete Wavelet Transform (DWT) for decoupling and hierarchical signal decomposition with Kolmogorov-Arnold Network (KAN) mixers for transparent and interpretable nonlinear modeling. The DWT component decomposes complex cryptocurrency time series into distinct frequency components, enabling frequency-specific analysis, while KAN mixers provide intrinsically interpretable spline-based mappings within each decomposed subseries. Furthermore, interpretability is enhanced through a symbolic analysis pipeline involving sparsification, pruning, and symbolization, which produces concise analytical expressions offering symbolic representations of the learned patterns. Extensive experiments demonstrate that DecoKAN achieves the lowest average Mean Squared Error on all tested real-world cryptocurrency datasets (BTC, ETH, XMR), consistently outperforming a comprehensive suite of competitive state-of-the-art baselines. These results validate DecoKAN's potential to bridge the gap between predictive accuracy and model transparency, advancing trustworthy decision support within complex cryptocurrency markets.
• Abstract（参考訳）: 多変量時系列の正確かつ解釈可能な予測は、デジタル資産システムにおける暗号市場の複雑なダイナミクスを理解するために不可欠である。 高度なディープラーニング手法、特にTransformerベースのアーキテクチャとMLPベースのアーキテクチャは、暗号通貨予測タスクにおいて競争力のある予測性能を達成した。 しかし、暗号通貨のデータは本質的に長期の社会経済的傾向と局所的な高周波投機的振動で構成されている。 既存のディープラーニングベースの「ブラックボックス」モデルは、これらの複合力学を効果的に分離したり、信頼できる金融意思決定に必要な解釈可能性を提供できない。 これらの制約を克服するために,多レベル離散ウェーブレット変換(DWT)を統合した解釈可能な予測フレームワークであるDecoKANを提案する。 DWTコンポーネントは、複雑な暗号時系列を別個の周波数成分に分解し、周波数特異的な分析を可能にし、一方kanmixerは、分解された各サブシリーズ内で本質的に解釈可能なスプラインベースのマッピングを提供する。 さらに、スペーシフィケーション、プルーニング、シンボル化を含むシンボリック分析パイプラインを通じて解釈可能性を高め、学習パターンのシンボリック表現を提供する簡潔な解析式を生成する。 大規模な実験により、DecoKANはテスト対象の現実世界の暗号データセット(BTC、ETH、XMR)で平均最低値のMean Squared Errorを達成した。 これらの結果は、デコカンが予測精度とモデル透明性のギャップを埋め、複雑な暗号通貨市場における信頼できる意思決定支援を前進させる可能性を検証する。

関連論文リスト

• Interpretable Hybrid Deep Q-Learning Framework for IoT-Based Food Spoilage Prediction with Synthetic Data Generation and Hardware Validation [0.5417521241272645]
  インテリジェントでリアルタイムな腐敗予測システムの必要性は、現代のIoT駆動食品サプライチェーンにおいて重要になっている。 本稿では,Long Short-Term Memory(LSTM)とRecurrent Neural Networks(RNN)を統合したハイブリッド強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-22T12:59:48Z)
• ASTIF: Adaptive Semantic-Temporal Integration for Cryptocurrency Price Forecasting [6.12055122337183]
  ASTIFは、信頼性に基づくメタ学習を通じて予測戦略をリアルタイムで適応するハイブリッドインテリジェントシステムである。 信頼を意識したメタラーナーは適応推論層として機能し、そのリアルタイム不確実性に基づいて各予測子の寄与を調節する。 この研究は、非定常環境における定量的および定性的データを融合するためのスケーラブルで知識に基づくソリューションに貢献している。
  論文  参考訳（メタデータ） (2025-12-21T09:17:36Z)
• CryptoBench: A Dynamic Benchmark for Expert-Level Evaluation of LLM Agents in Cryptocurrency [60.83660377169452]
  本稿では,Large Language Model (LLM)エージェントの現実的能力を厳格に評価するために設計された,最初の専門家による動的ベンチマークであるCryptoBenchを紹介する。 検索と予測のための汎用エージェントベンチマークとは異なり、プロの暗号分析は特定の課題を提示する。
  論文  参考訳（メタデータ） (2025-11-29T09:52:34Z)
• Knowledge-Informed Neural Network for Complex-Valued SAR Image Recognition [51.03674130115878]
  本稿では,新しい「圧縮集約圧縮」アーキテクチャ上に構築された軽量なフレームワークであるKnowledge-Informed Neural Network(KINN)を紹介する。 KINNはパラメータ効率の認識における最先端を確立し、データスカースとアウト・オブ・ディストリビューションのシナリオにおいて例外的な一般化を提供する。
  論文  参考訳（メタデータ） (2025-10-23T07:12:26Z)
• Unlocking Symbol-Level Precoding Efficiency Through Tensor Equivariant Neural Network [84.22115118596741]
  シンボルレベルのプリコーディングにおいて,推論の複雑さの低いエンドツーエンドディープラーニング(DL)フレームワークを提案する。 提案手法は,従来の手法よりも約80倍の高速化を実現しつつ,SLPの大幅な性能向上を達成できることを示す。
  論文  参考訳（メタデータ） (2025-10-02T15:15:50Z)
• crypto price prediction using lstm+xgboost [0.0]
  本研究では,Long Short-Term Memory(LSTM)ネットワークとExtreme Gradient Boosting(XGBoost)を統合したハイブリッドディープラーニングと機械学習モデルを提案する。 LSTMコンポーネントは過去の価格データの時間的依存性を捉え、XGBoostは感情スコアやマクロ経済指標などの補助的特徴との非線形関係をモデル化することによって予測を強化する。 このモデルは、Bitcoin、Dogecoin、Litecoinの歴史的データセットに基づいて評価され、グローバルおよびローカライズされた交換データの両方を取り入れている。
  論文  参考訳（メタデータ） (2025-06-27T09:49:25Z)
• Enhancing Black-Litterman Portfolio via Hybrid Forecasting Model Combining Multivariate Decomposition and Noise Reduction [13.04801847533423]
  本稿では,ビュー生成プロセスの自動化と改善を目的としたハイブリッド予測モデルSSA-MAEMD-TCNを提案する。 ナスダック100指数の実証試験では、ベースラインモデルと比較して予測性能が大幅に改善した。 最適化されたポートフォリオは、年次リターンとシャープ比率が従来のポートフォリオよりもはるかに高いため、うまく機能する。
  論文  参考訳（メタデータ） (2025-05-03T10:52:57Z)
• Quantifying Cryptocurrency Unpredictability: A Comprehensive Study of Complexity and Forecasting [3.724847012963521]
  我々は、Litecoin、Coin、Bitcoin、USDの為替レートに着目した暗号通貨の時系列予測タスクについて検討する。 その結果、暗号通貨の時系列はブラウンノイズによく似た特徴を示すことが明らかとなった。 時系列予測への幅広い統計、機械学習、ディープラーニングモデルの応用は、暗号通貨の予測可能性の低さを示している。
  論文  参考訳（メタデータ） (2025-02-13T08:53:13Z)
• Federated Contrastive Learning for Personalized Semantic Communication [55.46383524190467]
  我々は,パーソナライズされたセマンティックコミュニケーションを支援することを目的とした,協調型コントラスト学習フレームワークを設計する。 FedCLは、複数のクライアントにわたるローカルセマンティックエンコーダと、基地局が所有するグローバルセマンティックデコーダの協調トレーニングを可能にする。 分散クライアント間の異種データセットから生じるセマンティック不均衡問題に対処するために,コントラスト学習を用いてセマンティックセントロイドジェネレータを訓練する。
  論文  参考訳（メタデータ） (2024-06-13T14:45:35Z)

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。