論文の概要: TFT-ACB-XML: Decision-Level Integration of Customized Temporal Fusion Transformer and Attention-BiLSTM with XGBoost Meta-Learner for BTC Price Forecasting

• arxiv url: http://arxiv.org/abs/2602.12380v1
• Date: Thu, 12 Feb 2026 20:20:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-16 23:37:53.734713
• Title: TFT-ACB-XML: Decision-Level Integration of Customized Temporal Fusion Transformer and Attention-BiLSTM with XGBoost Meta-Learner for BTC Price Forecasting
• Title（参考訳）: TFT-ACB-XML:BTC価格予測のためのXGBoostメタラーナーを用いたカスタム時間核融合変換器とアテンションBiLSTMの意思決定レベル統合
• Authors: Raiz Ud Din, Saddam Hussain Khan,
• Abstract要約: 既存のディープラーニングモデルは、様々な市場条件で解釈可能性や一般化に苦しむことが多い。 本研究は,BTC閉値予測のためのハイブリッドスタック一般化フレームワークTFT-ACB-XMLを提案する。 2014年10月1日から2026年1月5日までのBTCデータを用いた実証検証では,提案フレームワークの性能が向上した。
• 参考スコア（独自算出の注目度）: 0.7857499581522376
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate forecasting of Bitcoin (BTC) has always been a challenge because decentralized markets are non-linear, highly volatile, and have temporal irregularities. Existing deep learning models often struggle with interpretability and generalization across diverse market conditions. This research presents a hybrid stacked-generalization framework, TFT-ACB-XML, for BTC closing price prediction. The framework integrates two parallel base learners: a customized Temporal Fusion Transformer (TFT) and an Attention-Customized Bidirectional Long Short-Term Memory network (ACB), followed by an XGBoost regressor as the meta-learner. The customized TFT model handles long-range dependencies and global temporal dynamics via variable selection networks and interpretable single-head attention. The ACB module uses a new attention mechanism alongside the customized BiLSTM to capture short-term sequential dependencies. Predictions from both customized TFT and ACB are weighted through an error-reciprocal weighting strategy. These weights are derived from validation performance, where a model showing lower prediction error receives a higher weight. Finally, the framework concatenates these weighted outputs into a feature vector and feeds the vector to an XGBoost regressor, which captures non-linear residuals and produces the final BTC closing price prediction. Empirical validation using BTC data from October 1, 2014, to January 5, 2026, shows improved performance of the proposed framework compared to recent Deep Learning and Transformer baseline models. The results show a MAPE of 0.65%, an MAE of 198.15, and an RMSE of 258.30 for one-step-ahead out-of-sample under a walk-forward evaluation on the test block. The evaluation period spans the 2024 BTC halving and the spot ETFs (exchange-traded funds) period, which coincide with major liquidity and volatility shifts.
• Abstract（参考訳）: Bitcoin(BTC)の正確な予測は、分散市場が非直線的で、不安定で、時間的不規則であるため、常に課題となっている。 既存のディープラーニングモデルは、様々な市場条件で解釈可能性や一般化に苦しむことが多い。 本研究は,BTC閉値予測のためのハイブリッドスタック一般化フレームワークTFT-ACB-XMLを提案する。 このフレームワークは2つの並列ベースラーナを統合している: カスタマイズされたテンポラルフュージョントランスフォーマー(TFT)とアテンションカスタマイズされた双方向長短期記憶ネットワーク(ACB)。 カスタマイズされたTFTモデルは、可変選択ネットワークと解釈可能な単一ヘッドアテンションを介して、長距離依存とグローバル時間ダイナミクスを処理する。 ACBモジュールは、カスタマイズされたBiLSTMと並行して新しいアテンションメカニズムを使用して、短期的なシーケンシャルな依存関係をキャプチャする。 カスタマイズされたTFTとABBの両方からの予測は、エラー相互重み付け戦略によって重み付けされる。 これらの重み付けは、より低い予測誤差を示すモデルがより高い重みを受ける検証性能から導かれる。 最後に、このフレームワークはこれらの重み付き出力を特徴ベクトルに結合し、ベクトルをXGBoost回帰器に供給し、非線形残差を捕捉し、最終的なBTC閉値予測を生成する。 2014年10月1日から2026年1月5日までのBTCデータを用いた実証検証では,最近のDeep LearningおよびTransformerベースラインモデルと比較して,提案フレームワークの性能が向上した。 試験ブロックのウォーキングフォワード評価では,MAPEが0.65%,MAEが198.15,RMSEが258.30であった。 評価期間は2024年のBTC半減期と、主要な流動性やボラティリティの変化に伴うスポットETF(交換取引資金)期間にまたがる。

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)
• End-to-End Large Portfolio Optimization for Variance Minimization with Neural Networks through Covariance Cleaning [0.0]
  我々は,世界規模の最小分散ポートフォリオを提供する回転不変ニューラルネットワークを開発した。 この明示的な数学的写像は各加群の役割を明確に解釈できる。 単一モデルは数百株のパネルで校正でき、再訓練せずに1000米国株に適用される。
  論文  参考訳（メタデータ） (2025-07-02T17:27:29Z)
• A Novel Decision Ensemble Framework: Customized Attention-BiLSTM and XGBoost for Speculative Stock Price Forecasting [2.011511123338945]
  本稿では、投機的株式Bitcoin-USD(BTC-USD)の日替価格を予測するための新しいフレームワーク、CAB-XDEを提案する。 CAB-XDEフレームワークは、カスタマイズされた双方向長短期メモリ(BiLSTM)とアテンション機構とXGBoostアルゴリズムを統合している。 提案されたCAB-XDEフレームワークは、Yahoo Financeから供給された不安定なBitcoin市場で実証的に検証されている。
  論文  参考訳（メタデータ） (2024-01-05T17:13:30Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
  長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。 多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。 深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。 本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-18T16:21:15Z)
• Transformers meet Stochastic Block Models: Attention with Data-Adaptive Sparsity and Cost [53.746169882193456]
  最近の研究は、自己注意の二次的コストを克服するために、様々なスパークアテンションモジュールを提案している。 本稿では,それぞれの注意を混合メンバーシップブロックモデルで表現することで,両方の問題を解決するモデルを提案する。 我々のモデルは、以前の効率的な変種とオリジナルのトランスフォーマーより優れており、十分に注目されています。
  論文  参考訳（メタデータ） (2022-10-27T15:30:52Z)

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。