論文の概要: TF-CoDiT: Conditional Time Series Synthesis with Diffusion Transformers for Treasury Futures

• arxiv url: http://arxiv.org/abs/2601.11880v1
• Date: Sat, 17 Jan 2026 02:27:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.35604
• Title: TF-CoDiT: Conditional Time Series Synthesis with Diffusion Transformers for Treasury Futures
• Title（参考訳）: TF-CoDiT:大蔵省向け拡散変圧器を用いた条件付き時系列合成
• Authors: Yingxiao Zhang, Jiaxin Duan, Junfu Zhang, Ke Feng,
• Abstract要約: Diffusion Transformers (DiT)は、株価や注文フローなどの金融時系列データを合成するマイルストーンを達成した。 この研究は、低容積、市場依存、多変数間のグループ相関など、金融先物データの特徴を強調する。 TF-CoDiT は,言語制御された未来予測合成のための最初の DiT フレームワークである。
• 参考スコア（独自算出の注目度）: 9.869634509510016
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion Transformers (DiT) have achieved milestones in synthesizing financial time-series data, such as stock prices and order flows. However, their performance in synthesizing treasury futures data is still underexplored. This work emphasizes the characteristics of treasury futures data, including its low volume, market dependencies, and the grouped correlations among multivariables. To overcome these challenges, we propose TF-CoDiT, the first DiT framework for language-controlled treasury futures synthesis. To facilitate low-data learning, TF-CoDiT adapts the standard DiT by transforming multi-channel 1-D time series into Discrete Wavelet Transform (DWT) coefficient matrices. A U-shape VAE is proposed to encode cross-channel dependencies hierarchically into a latent variable and bridge the latent and DWT spaces through decoding, thereby enabling latent diffusion generation. To derive prompts that cover essential conditions, we introduce the Financial Market Attribute Protocol (FinMAP) - a multi-level description system that standardizes daily$/$periodical market dynamics by recognizing 17$/$23 economic indicators from 7/8 perspectives. In our experiments, we gather four types of treasury futures data covering the period from 2015 to 2025, and define data synthesis tasks with durations ranging from one week to four months. Extensive evaluations demonstrate that TF-CoDiT can produce highly authentic data with errors at most 0.433 (MSE) and 0.453 (MAE) to the ground-truth. Further studies evidence the robustness of TF-CoDiT across contracts and temporal horizons.
• Abstract（参考訳）: Diffusion Transformers (DiT)は、株価や注文フローなどの金融時系列データを合成するマイルストーンを達成した。 しかし、金融先物データの合成におけるそれらの性能はまだ未定である。 この研究は、低容積、市場依存、多変数間のグループ相関など、金融先物データの特徴を強調する。 これらの課題を克服するために、言語制御された未来生成のための最初のDiTフレームワークであるTF-CoDiTを提案する。 低データの学習を容易にするため、TF-CoDiTはマルチチャネル1-D時系列を離散ウェーブレット変換(DWT)係数行列に変換することで標準のDiTに適応する。 U字型VAEは、チャネル間の依存関係を階層的に潜在変数にエンコードし、デコードによって潜在空間とDWT空間をブリッジし、遅延拡散の発生を可能にする。 本論では、本質的な条件をカバーするプロンプトを導出するため、金融市場属性プロトコル(FinMAP)を導入し、7/8視点から17ドル/23ドルの経済指標を認識することで、日々の市場動態を標準化するマルチレベル記述システムについて紹介する。 実験では,2015年から2025年までの期間をカバーする4種類の財務将来データを収集し,1週間から4ヶ月の期間でデータ合成タスクを定義した。 TF-CoDiTは0.433(MSE)と0.453(MAE)の誤差で精度の高いデータを生成することができる。 さらに研究は、TF-CoDiTの契約と時間的地平線間の堅牢性を示す。

関連論文リスト

• Temporal Fusion Transformer for Multi-Horizon Probabilistic Forecasting of Weekly Retail Sales [5.023398151088689]
  本稿では、TFT(Temporal Fusion Transformer)を用いた毎週のウォルマート販売に関する新しい研究について述べる。 パイプラインはQuantile Lossを通じて1週間から5週間の確率予測を生成する。 固定された2012年のホールトアウトデータセットで、TFTは1店舗当たり57.9k米ドルのRMSEと0.9875ドルのR2ドルを達成している。
  論文  参考訳（メタデータ） (2025-11-01T13:34:29Z)
• Test time training enhances in-context learning of nonlinear functions [51.56484100374058]
  テストタイムトレーニング(TTT)は、各予測に先立って指定されたパラメータを明示的に更新することで、モデル性能を向上させる。 本研究では,TTTとテキスト内学習(ICL)の組み合わせについて検討する。
  論文  参考訳（メタデータ） (2025-09-30T03:56:44Z)
• Adaptive Temporal Fusion Transformers for Cryptocurrency Price Prediction [0.0]
  本稿では,動的サブシリーズ長とパターンに基づく分類を利用した適応的TFTモデリング手法を提案する。 ETH-USDT 10分のデータを2ヶ月の試験期間で分析した結果,提案手法はベースラインの固定長TFTおよびLSTMモデルよりも精度が高く,取引利益率をシミュレーションした。
  論文  参考訳（メタデータ） (2025-09-06T20:04:46Z)
• S$^2$Q-VDiT: Accurate Quantized Video Diffusion Transformer with Salient Data and Sparse Token Distillation [55.35880044416441]
  ビデオ拡散モデル(V-DM)の学習後量子化フレームワークであるS$2$Q-VDiTを提案する。 W4A6量子化の下では、S$2$Q-VDiTは3.9倍のモデル圧縮と1.3倍の推論加速を実現している。
  論文  参考訳（メタデータ） (2025-08-06T02:12:29Z)
• CTBench: Cryptocurrency Time Series Generation Benchmark [11.576635693346486]
  textsfCTBenchは、暗号ドメイン用に調整された、最初の総合的なTSGベンチマークである。 textsfCTBenchは、452トークンからオープンソースのデータセットをキュレートし、5つの主要な次元にまたがる13のメトリクスにわたるTSGモデルを評価する。 4つの異なる市場体制にまたがる5つの方法論家を代表する8つのモデルをベンチマークし、統計的忠実性と現実世界の収益性の間のトレードオフを明らかにする。
  論文  参考訳（メタデータ） (2025-08-03T17:07:08Z)
• Time Series Foundation Models for Multivariate Financial Time Series Forecasting [0.0]
  Time Series Foundation Models (TSFMs) は、様々な時系列コーパスの事前トレーニングを通じて、有望なソリューションを提供する。 本研究は、米国10年債利回りの変化、EUR/USDのボラティリティ、株式拡散予測の3つの財務予測タスクにまたがる2つのTSFMを評価する。
  論文  参考訳（メタデータ） (2025-07-09T21:43:06Z)
• Cross-Modal Temporal Fusion for Financial Market Forecasting [3.0756278306759635]
  我々は、市場予測を改善するために、構造化および非構造化の財務データを融合するトランスフォーマーベースのディープラーニングフレームワークであるCross-Modal Temporal Fusion (CMTF)を導入する。 FTSE 100 ストックデータを用いた実験結果から,CMTF は古典的および深層学習ベースラインと比較して,価格方向分類において優れた性能を示した。
  論文  参考訳（メタデータ） (2025-04-18T07:20:18Z)
• Towards Temporal-Aware Multi-Modal Retrieval Augmented Generation in Finance [79.78247299859656]
  FinTMMBenchは、ファイナンスにおける時間対応マルチモーダル検索・拡張生成システムを評価するための、最初の包括的なベンチマークである。 NASDAQ 100社の異種データから構築されたFinTMMBenchには,3つの大きなメリットがある。
  論文  参考訳（メタデータ） (2025-03-07T07:13:59Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Gaussian process imputation of multiple financial series [71.08576457371433]
  金融指標、株価、為替レートなどの複数の時系列は、市場が潜んでいる状態に依存しているため、強く結びついている。 金融時系列間の関係を多出力ガウスプロセスでモデル化することで学習することに注力する。
  論文  参考訳（メタデータ） (2020-02-11T19:18:18Z)

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。