論文の概要: XGBoost Forecasting of NEPSE Index Log Returns with Walk Forward Validation

• arxiv url: http://arxiv.org/abs/2601.08896v1
• Date: Tue, 13 Jan 2026 15:22:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-15 18:59:20.131867
• Title: XGBoost Forecasting of NEPSE Index Log Returns with Walk Forward Validation
• Title（参考訳）: ウォークフォワード検証によるNEPSEインデックスログのXGBoost予測
• Authors: Sahaj Raj Malla, Shreeyash Kayastha, Rumi Suwal, Harish Chandra Bhandari, Rajendra Adhikari,
• Abstract要約: 本研究では,XGBoost回帰器を用いたネパール証券取引所(NEPSE)指数の1段階回帰予測のための頑健な機械学習フレームワークを開発した。 ログリターン(最大30日)と確立された技術指標を含む、包括的な機能セットが設計されている。 実験の結果、最適な構成、20のラグを持つ拡張ウィンドウは、ARIMAとRookの回帰ベンチマークより優れていた。
• 参考スコア（独自算出の注目度）: 1.2347259751353263
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study develops a robust machine learning framework for one-step-ahead forecasting of daily log-returns in the Nepal Stock Exchange (NEPSE) Index using the XGBoost regressor. A comprehensive feature set is engineered, including lagged log-returns (up to 30 days) and established technical indicators such as short- and medium-term rolling volatility measures and the 14-period Relative Strength Index. Hyperparameter optimization is performed using Optuna with time-series cross-validation on the initial training segment. Out-of-sample performance is rigorously assessed via walk-forward validation under both expanding and fixed-length rolling window schemes across multiple lag configurations, simulating real-world deployment and avoiding lookahead bias. Predictive accuracy is evaluated using root mean squared error, mean absolute error, coefficient of determination (R-squared), and directional accuracy on both log-returns and reconstructed closing prices. Empirical results show that the optimal configuration, an expanding window with 20 lags, outperforms tuned ARIMA and Ridge regression benchmarks, achieving the lowest log-return RMSE (0.013450) and MAE (0.009814) alongside a directional accuracy of 65.15%. While the R-squared remains modest, consistent with the noisy nature of financial returns, primary emphasis is placed on relative error reduction and directional prediction. Feature importance analysis and visual inspection further enhance interpretability. These findings demonstrate the effectiveness of gradient boosting ensembles in modeling nonlinear dynamics in volatile emerging market time series and establish a reproducible benchmark for NEPSE Index forecasting.
• Abstract（参考訳）: 本研究では,XGBoost回帰器を用いたネパール証券取引所(NEPSE)指数の1段階回帰予測のための頑健な機械学習フレームワークを開発した。 ログリターン(最大30日)のラッジや、短期および中期の転がりのボラティリティ対策や14周期の相対強度指標といった技術指標の確立など、包括的な機能セットが設計されている。 ハイパーパラメータ最適化は、初期トレーニングセグメント上の時系列クロスバリデーションを備えたOptunaを使用して実行される。 アウトオブサンプルのパフォーマンスは、複数のラグ構成にまたがる拡張長と固定長のローリングウィンドウスキームの下で、ウォークフォワード検証を通じて厳格に評価され、実際のデプロイメントをシミュレートし、ルックアヘッドバイアスを回避する。 予測精度は根平均二乗誤差,平均絶対誤差,決定係数(R-二乗),対数反転と再構成された閉値の方向精度を用いて評価する。 実験の結果、最適構成、20のラグを持つ拡張ウィンドウ、ARIMA と Ridge の回帰ベンチマークを上回り、65.15%の方向精度で最小のログリターン RMSE (0.013450) と MAE (0.009814) を達成した。 R-二乗法は、金融リターンのノイズの性質と整合して、控えめなままであるが、主に相対誤差の低減と方向予測に重点を置いている。 特徴重要分析と視覚検査により解釈可能性はさらに向上する。 これらの結果は、揮発性新興市場時系列における非線形力学のモデリングにおける勾配促進アンサンブルの有効性を示し、NEPSE指数予測のための再現可能なベンチマークを確立した。

関連論文リスト

• Efficient Thought Space Exploration through Strategic Intervention [54.35208611253168]
  本稿では,この知見を2つの相乗的コンポーネントを通して操作するHint-Practice Reasoning(HPR)フレームワークを提案する。 フレームワークの中核となる革新は、動的に介入点を識別する分散不整合低減(DIR)である。 算術的および常識的推論ベンチマークによる実験は、HPRの最先端の効率-精度トレードオフを実証している。
  論文  参考訳（メタデータ） (2025-11-13T07:26:01Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• 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)
• A Simplified Analysis of SGD for Linear Regression with Weight Averaging [64.2393952273612]
  最近の研究は、定常学習率を用いた線形回帰におけるSGD最適化のためのシャープレートを提供する。 簡単な線形代数ツールを用いて,2021ベニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグナグニグニグニグニグニグニグニグニグニグニグネグニグニグニグニグネグニグニグネグニ 我々の研究は線形回帰の勾配勾配を非常に容易に解析し、ミニバッチと学習率のスケジューリングのさらなる分析に役立てることができると信じている。
  論文  参考訳（メタデータ） (2025-06-18T15:10:38Z)
• Error-quantified Conformal Inference for Time Series [55.11926160774831]
  時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。 量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。 ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
  論文  参考訳（メタデータ） (2025-02-02T15:02:36Z)
• Time-Series Foundation AI Model for Value-at-Risk Forecasting [9.090616417812306]
  この研究は、VaR(Value-at-Risk)のための時系列基礎AIモデルの性能を初めて分析したものである。 さまざまなデータセットで事前トレーニングされたファンデーションモデルは、最小限のデータを持つゼロショット設定で適用することができる。 微調整は精度を著しく向上させ、VaRにはゼロショットの使用が最適でないことを示す。
  論文  参考訳（メタデータ） (2024-10-15T16:53:44Z)
• Application of Deep Learning for Factor Timing in Asset Management [21.212548040046133]
  より柔軟なモデルは、目に見えない期間の係数プレミアムのばらつきを説明するのにより良いパフォーマンスを持つ。 ニューラルネットワークのような柔軟なモデルでは、予測に基づく最適な重み付けは不安定である傾向がある。 我々は、過去の最適再バランス方式によるリバランス頻度の傾きが、取引コストの削減に役立つことを検証した。
  論文  参考訳（メタデータ） (2024-04-27T21:57:17Z)
• Feature Selection with Annealing for Forecasting Financial Time Series [2.44755919161855]
  本研究では,機械学習(ML)モデルを用いた戦術的入力出力特徴マッピング技術に基づいて,財務時系列を総合的に予測する手法を提案する。 実験の結果,FSAアルゴリズムは問題の種類に関わらず,MLモデルの性能を向上することが示された。
  論文  参考訳（メタデータ） (2023-03-03T21:33:38Z)

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。