論文の概要: Trend-Adjusted Time Series Models with an Application to Gold Price Forecasting

• arxiv url: http://arxiv.org/abs/2601.12706v1
• Date: Mon, 19 Jan 2026 04:09:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.75185
• Title: Trend-Adjusted Time Series Models with an Application to Gold Price Forecasting
• Title（参考訳）: 金価格予測に対するトレンド調整時系列モデルの適用
• Authors: Sina Kazemdehbashi,
• Abstract要約: 時系列データは金融、医療、マーケティング、エンジニアリングなど様々な分野で重要な役割を果たしている。 本稿では,予測された傾向に基づいて予測値を調整するTATSモデルを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series data play a critical role in various fields, including finance, healthcare, marketing, and engineering. A wide range of techniques (from classical statistical models to neural network-based approaches such as Long Short-Term Memory (LSTM)) have been employed to address time series forecasting challenges. In this paper, we reframe time series forecasting as a two-part task: (1) predicting the trend (directional movement) of the time series at the next time step, and (2) forecasting the quantitative value at the next time step. The trend can be predicted using a binary classifier, while quantitative values can be forecasted using models such as LSTM and Bidirectional Long Short-Term Memory (Bi-LSTM). Building on this reframing, we propose the Trend-Adjusted Time Series (TATS) model, which adjusts the forecasted values based on the predicted trend provided by the binary classifier. We validate the proposed approach through both theoretical analysis and empirical evaluation. The TATS model is applied to a volatile financial time series (the daily gold price) with the objective of forecasting the next days price. Experimental results demonstrate that TATS consistently outperforms standard LSTM and Bi-LSTM models by achieving significantly lower forecasting error. In addition, our results indicate that commonly used metrics such as MSE and MAE are insufficient for fully assessing time series model performance. Therefore, we also incorporate trend detection accuracy, which measures how effectively a model captures trends in a time series.
• Abstract（参考訳）: 時系列データは、金融、医療、マーケティング、エンジニアリングなど様々な分野で重要な役割を果たしている。 時系列予測問題に対処するためには、古典的な統計モデルからLong Short-Term Memory (LSTM)のようなニューラルネットワークベースのアプローチまで、幅広い技術が使用されている。 本稿では,(1)次のステップで時系列の傾向(方向移動)を予測し,(2)次のステップで定量値を予測する2つのタスクとして時系列予測を再設定する。 この傾向はバイナリ分類器を用いて予測でき、LSTMやBidirectional Long Short-Term Memory (Bi-LSTM)のようなモデルを用いて定量的な値を予測することができる。 このリフレーミングに基づいて、二項分類器によって提供される予測傾向に基づいて予測値を調整するトレンド調整時系列(TATS)モデルを提案する。 理論的解析と経験的評価の両面から提案手法を検証した。 TATSモデルは、翌日の価格を予測することを目的として、揮発性の金融時系列(毎日の金価格)に適用される。 実験の結果,TATSは予測誤差を著しく低減し,標準LSTMおよびBi-LSTMモデルより一貫して優れていた。 また,MSEやMAEなどの一般的なメトリクスは時系列モデルの性能を十分に評価するには不十分であることを示す。 そこで本研究では,時系列の傾向を効果的に把握する傾向検出精度も組み込んだ。

関連論文リスト

• Time Series Forecastability Measures [4.136441456697068]
  本稿では,モデル開発に先立って時系列の予測可能性を定量化する2つの指標を提案する。 スペクトル予測可能性スコアは、時系列における周波数成分の強度と規則性を評価する。 Lyapunov指数は、データを生成するシステムのカオスと安定性を定量化する。
  論文  参考訳（メタデータ） (2025-07-17T22:23:51Z)
• Sundial: A Family of Highly Capable Time Series Foundation Models [47.27032162475962]
  Sundialはネイティブでフレキシブルでスケーラブルな時系列基盤モデルのファミリーです。 我々のモデルは、事前の分布を指定せずに事前訓練されており、複数の確率予測を生成することができる。 Sundialは、ジャスト・イン・タイムの推論速度で、ポイントと確率予測ベンチマークの両方で最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-02-02T14:52:50Z)
• Stock Price Prediction and Traditional Models: An Approach to Achieve Short-, Medium- and Long-Term Goals [0.0]
  在庫価格予測のためのディープラーニングモデルと従来の統計手法の比較分析は、ナイジェリア証券取引所のデータを用いている。 深層学習モデル、特にLSTMは、データの複雑な非線形パターンをキャプチャすることで従来の手法より優れている。 この結果は、金融予測と投資戦略を改善するための深層学習の可能性を強調している。
  論文  参考訳（メタデータ） (2024-09-29T11:20:20Z)
• Loss Shaping Constraints for Long-Term Time Series Forecasting [79.3533114027664]
  本稿では,長期時系列予測のための制約付き学習手法を提案する。 提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-14T18:20:44Z)
• Predictive Churn with the Set of Good Models [61.00058053669447]
  本稿では,予測的不整合という2つの無関係な概念の関連性について考察する。 予測多重性(英: predictive multiplicity)は、個々のサンプルに対して矛盾する予測を生成するモデルである。 2つ目の概念である予測チャーン(英: predictive churn)は、モデル更新前後の個々の予測の違いを調べるものである。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• Mlinear: Rethink the Linear Model for Time-series Forecasting [9.841293660201261]
  Mlinearは、主に線形層に基づく単純だが効果的な方法である。 複数のデータセット上で広く使われている平均二乗誤差(MSE)を大幅に上回る新しい損失関数を導入する。 提案手法は,PatchTSTを336列長入力で21:3,512列長入力で29:10で有意に上回った。
  論文  参考訳（メタデータ） (2023-05-08T15:54:18Z)
• Feature-weighted Stacking for Nonseasonal Time Series Forecasts: A Case Study of the COVID-19 Epidemic Curves [0.0]
  本研究では,非シーズン時間帯での利用可能性について,予測におけるアンサンブル手法について検討する。 予備予測段階における予測能力を証明する2つの予測モデルと2つのメタ機能からなる重畳アンサンブルを用いて遅延データ融合を提案する。
  論文  参考訳（メタデータ） (2021-08-19T14:44:46Z)
• 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)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)

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。