論文の概要: StockBot 2.0: Vanilla LSTMs Outperform Transformer-based Forecasting for Stock Prices

• arxiv url: http://arxiv.org/abs/2601.00197v1
• Date: Thu, 01 Jan 2026 04:09:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-05 15:04:33.301773
• Title: StockBot 2.0: Vanilla LSTMs Outperform Transformer-based Forecasting for Stock Prices
• Title（参考訳）: StockBot 2.0:Vanilla LSTMsはトランスフォーマーベースの株価予測を上回った
• Authors: Shaswat Mohanty,
• Abstract要約: 本稿では,近代的注意に基づく,畳み込み,反復的な時系列予測モデルを体系的に評価するStockBotアーキテクチャを提案する。 慎重に構築されたバニラLSTMは、予測精度とより安定した購買・販売決定を一貫して達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate forecasting of financial markets remains a long-standing challenge due to complex temporal and often latent dependencies, non-linear dynamics, and high volatility. Building on our earlier recurrent neural network framework, we present an enhanced StockBot architecture that systematically evaluates modern attention-based, convolutional, and recurrent time-series forecasting models within a unified experimental setting. While attention-based and transformer-inspired models offer increased modeling flexibility, extensive empirical evaluation reveals that a carefully constructed vanilla LSTM consistently achieves superior predictive accuracy and more stable buy/sell decision-making when trained under a common set of default hyperparameters. These results highlight the robustness and data efficiency of recurrent sequence models for financial time-series forecasting, particularly in the absence of extensive hyperparameter tuning or the availability of sufficient data when discretized to single-day intervals. Additionally, these results underscore the importance of architectural inductive bias in data-limited market prediction tasks.
• Abstract（参考訳）: 金融市場の正確な予測は、複雑な時間的およびしばしば潜伏する依存関係、非線形ダイナミクス、高いボラティリティのために、長く続く課題である。 初期のリカレントニューラルネットワークフレームワークに基づいて、統一された実験環境での現代的な注意に基づく、畳み込み、反復的な時系列予測モデルを体系的に評価する、拡張されたStockBotアーキテクチャを提案する。 注意に基づくモデルとトランスフォーマーにインスパイアされたモデルではモデリングの柔軟性が向上するが、広範に構築されたバニラLSTMは、共通のデフォルトハイパーパラメータのセットでトレーニングされた場合、常に優れた予測精度とより安定した購入・販売決定を達成できる。 これらの結果から,金融時系列予測における逐次シーケンスモデルの堅牢性やデータ効率,特に1日間隔で離散化する場合の高パラメータチューニングや十分なデータ利用が欠如していることが浮き彫りとなった。 さらに、これらの結果は、データ制限された市場予測タスクにおけるアーキテクチャ的帰納バイアスの重要性を強調している。

関連論文リスト

• Robust Probabilistic Load Forecasting for a Single Household: A Comparative Study from SARIMA to Transformers on the REFIT Dataset [0.0]
  本稿では,揮発性REFIT家庭データセットを用いた課題に取り組む。 まず、季節計算法を選択するための厳密な比較実験を行うことで、この問題に対処する。 そして、古典的なベースラインから機械学習へと進化するモデル階層を体系的に評価する。 我々の研究結果によると、古典的なモデルはデータの非線形でシステマティックな振る舞いを捉えるのに失敗している。
  論文  参考訳（メタデータ） (2025-11-30T12:05:18Z)
• Dynamic Lagging for Time-Series Forecasting in E-Commerce Finance: Mitigating Information Loss with A Hybrid ML Architecture [0.8192992814374568]
  動的ラグ機能工学と適応型ローリングウインドウ表現を統合したハイブリッド予測フレームワークを提案する。 提案手法は、請求書レベルの行動モデリング、サポートデータの構造化ラグ、およびカスタム安定性を考慮した損失関数を明示的に組み込んだものである。
  論文  参考訳（メタデータ） (2025-09-24T15:33:16Z)
• Enhancing Transformer-Based Foundation Models for Time Series Forecasting via Bagging, Boosting and Statistical Ensembles [7.787518725874443]
  時系列基礎モデル(TSFM)は、時系列予測、異常検出、分類、計算のための強力な一般化とゼロショット能力を示している。 本稿では, 統計的およびアンサンブルに基づくエンハンスメント技術を用いて, 頑健さと精度を向上させる手法について検討する。
  論文  参考訳（メタデータ） (2025-08-18T04:06:26Z)
• 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)
• Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting [46.63798583414426]
  時系列予測(LTSF)は時系列分析において重要なフロンティアである。 本研究は, 分析的および実証的な証拠から, 分解が過剰なモデルインフレーションを包含する鍵であることを実証する。 興味深いことに、時系列データの本質的なダイナミクスに分解を合わせることで、提案モデルは既存のベンチマークより優れている。
  論文  参考訳（メタデータ） (2024-01-22T13:15:40Z)
• 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)
• Low-Rank Temporal Attention-Augmented Bilinear Network for financial time-series forecasting [93.73198973454944]
  ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。 近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。 本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
  論文  参考訳（メタデータ） (2021-07-05T10:15:23Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)
• Transformer Hawkes Process [79.16290557505211]
  本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。 本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
  論文  参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。