論文の概要: A Learnable Wavelet Transformer for Long-Short Equity Trading and Risk-Adjusted Return Optimization

• arxiv url: http://arxiv.org/abs/2601.13435v1
• Date: Mon, 19 Jan 2026 22:41:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.082903
• Title: A Learnable Wavelet Transformer for Long-Short Equity Trading and Risk-Adjusted Return Optimization
• Title（参考訳）: 長短量子トレーディングとリスク調整されたリターン最適化のための学習可能なウェーブレット変換器
• Authors: Shuozhe Li, Du Cheng, Leqi Liu,
• Abstract要約: 金融時系列から黒字の日内取引政策を学ぶことは、騒音、非定常性、関連する資産間の強い断続的依存のために困難である。 学習可能なウェーブレットベース長短変換器であるemphWaveLSFormerを提案する。
• 参考スコア（独自算出の注目度）: 1.357666565350214
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning profitable intraday trading policies from financial time series is challenging due to heavy noise, non-stationarity, and strong cross-sectional dependence among related assets. We propose \emph{WaveLSFormer}, a learnable wavelet-based long-short Transformer that jointly performs multi-scale decomposition and return-oriented decision learning. Specifically, a learnable wavelet front-end generates low-/high-frequency components via an end-to-end trained filter bank, guided by spectral regularizers that encourage stable and well-separated frequency bands. To fuse multi-scale information, we introduce a low-guided high-frequency injection (LGHI) module that refines low-frequency representations with high-frequency cues while controlling training stability. The model outputs a portfolio of long/short positions that is rescaled to satisfy a fixed risk budget, and is optimized directly with a trading objective and risk-aware regularization. Extensive experiments on five years of hourly data across six industry groups, evaluated over ten random seeds, demonstrate that WaveLSFormer consistently outperforms MLP, LSTM and Transformer backbones, with and without fixed discrete wavelet front-ends. On average in all industries, WaveLSFormer achieves a cumulative overall strategy return of $0.607 \pm 0.045$ and a Sharpe ratio of $2.157 \pm 0.166$, substantially improving both profitability and risk-adjusted returns over the strongest baselines.
• Abstract（参考訳）: 金融時系列から黒字の日内取引政策を学ぶことは、騒音、非定常性、関連する資産間の強い断続的依存のために困難である。 学習可能なウェーブレットベース長短変換器である \emph{WaveLSFormer} を提案する。 具体的には、学習可能なウェーブレットフロントエンドは、安定した周波数帯域を奨励するスペクトル正規化器によって導かれる、エンドツーエンドのトレーニングされたフィルタバンクを介して低周波数/高周波数成分を生成する。 マルチスケール情報を融合するために、トレーニング安定性を制御しつつ、低周波表現を高周波キューで洗練する低誘導高周波インジェクション(LGHI)モジュールを導入する。 このモデルは、固定されたリスク予算を満たすために再スケールされたロング/ショートポジションのポートフォリオを出力し、取引目標とリスク対応の正規化を直接最適化する。 6つの業界グループにまたがる5年間の時間的データに関する大規模な実験では、10以上のランダムなシードが評価され、WaveLSFormerは、固定された離散ウェーブレットフロントエンドを伴わず、常にMLP、LSTM、Transformerのバックボーンより優れていた。 平均して、WaveLSFormerは0.607 \pm 0.045$とシャープ比2.157 \pm 0.166$の累積的な戦略リターンを達成し、最強のベースラインよりも利益率とリスク調整リターンの両方を大幅に改善している。

関連論文リスト

• Ratio-Variance Regularized Policy Optimization for Efficient LLM Fine-tuning [48.34492357368989]
  本稿では,安定なオン・ポリティクス学習をサポートし,オフ・ポリティクスデータの再利用を原則とするプリミティブ・デュアル・フレームワークを提案する。 R2VPO$は、強いクリッピングベースのベースラインよりも17%の平均的な相対的なゲインで優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-01-06T14:01:42Z)
• ZIP-RC: Optimizing Test-Time Compute via Zero-Overhead Joint Reward-Cost Prediction [57.799425838564]
  ZIP-RCは、モデルに報酬とコストのゼロオーバーヘッド推論時間予測を持たせる適応推論手法である。 ZIP-RCは、同じまたはより低い平均コストで過半数投票よりも最大12%精度が向上する。
  論文  参考訳（メタデータ） (2025-12-01T09:44:31Z)
• Human-in-the-loop Online Rejection Sampling for Robotic Manipulation [55.99788088622936]
  Hi-ORSは、オンライン微調整中に負の報酬を得たサンプルをフィルタリングすることで、値推定を安定化する。 Hi-ORSは、わずか1.5時間でコンタクトリッチな操作をマスターするためのpiベースのポリシーを微調整する。
  論文  参考訳（メタデータ） (2025-10-30T11:53:08Z)
• Increase Alpha: Performance and Risk of an AI-Driven Trading Framework [0.0]
  金融市場は非効率で、価格、ボリューム、断続的な関係が明らかにされていない。 increase Alphaでは、800以上の米国株を毎日の方向信号にマッピングするディープラーニングフレームワークを構築しました。 私たちは、透過的で業界標準のメトリクスを通してリアルタイムのパフォーマンスを評価します。
  論文  参考訳（メタデータ） (2025-09-20T14:37:02Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• Function Approximation for Reinforcement Learning Controller for Energy from Spread Waves [69.9104427437916]
  マルチジェネレータ・ウェーブ・エナジー・コンバータ(WEC)は、スプレッド・ウェーブと呼ばれる異なる方向から来る複数の同時波を処理しなければならない。 これらの複雑な装置は、エネルギー捕獲効率、維持を制限する構造的ストレスの低減、高波に対する積極的な保護という複数の目的を持つコントローラを必要とする。 本稿では,システム力学のシーケンシャルな性質をモデル化する上で,ポリシーと批判ネットワークの異なる機能近似について検討する。
  論文  参考訳（メタデータ） (2024-04-17T02:04:10Z)
• Exploring the Advantages of Transformers for High-Frequency Trading [4.1531215150301035]
  本稿では,高速Bitcoin-USDTログリターン予測のための新しいディープラーニングトランスフォーマーアーキテクチャについて検討する。 textbfHFformerと呼ばれるハイブリッドトランスフォーマーモデルは、Transformerエンコーダ、線形デコーダ、スパイクアクティベーション、量子損失関数を組み込んだ時系列予測のために導入された。
  論文  参考訳（メタデータ） (2023-02-20T09:02:10Z)
• Long Short-Term Memory Neural Network for Financial Time Series [0.0]
  株価変動の予測のために,単体および並列長短期記憶ニューラルネットワークのアンサンブルを提案する。 ストレートなトレーディング戦略では、ランダムに選択されたポートフォリオと指数のすべての株を含むポートフォリオを比較すると、LSTMアンサンブルから得られたポートフォリオが平均的なリターンと時間とともに高い累積リターンを提供することを示している。
  論文  参考訳（メタデータ） (2022-01-20T15:17:26Z)
• Deep Learning Statistical Arbitrage [0.0]
  本稿では,統計的仲裁のための統一的な概念枠組みを提案し,新しいディープラーニングソリューションを開発した。 我々は、条件付き遅延資産価格要素から残余ポートフォリオとして類似資産の仲裁ポートフォリオを構築する。 我々は、これらの残余ポートフォリオの時系列信号を、最も強力な機械学習時系列ソリューションの1つを用いて抽出する。
  論文  参考訳（メタデータ） (2021-06-08T00:48:25Z)

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。