Fugu-MT 論文翻訳(概要): Financial time series augmentation using transformer based GAN architecture

論文の概要: Financial time series augmentation using transformer based GAN architecture

arxiv url: http://arxiv.org/abs/2602.17865v1
Date: Thu, 19 Feb 2026 22:02:09 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-23 18:01:41.163962
Title: Financial time series augmentation using transformer based GAN architecture
Title（参考訳）: 変圧器に基づくGANアーキテクチャを用いた金融時系列拡張
Authors: Andrzej Podobiński, Jarosław A. Chudziak,
Abstract要約: 本稿では,GAN(Generative Adrial Networks)が,金融分野におけるデータ不足を克服するためのデータ拡張ツールとして有効であることを示す。具体的には,Transformer-based GAN (TTS-GAN) によって生成された合成データを用いたデータセット上でのLong Short-Term Memory (LSTM) 予測モデルのトレーニングにより,実データのみを用いた場合に比べて予測精度が大幅に向上することを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Time-series forecasting is a critical task across many domains, from engineering to economics, where accurate predictions drive strategic decisions. However, applying advanced deep learning models in challenging, volatile domains like finance is difficult due to the inherent limitation and dynamic nature of financial time series data. This scarcity often results in sub-optimal model training and poor generalization. The fundamental challenge lies in determining how to reliably augment scarce financial time series data to enhance the predictive accuracy of deep learning forecasting models. Our main contribution is a demonstration of how Generative Adversarial Networks (GANs) can effectively serve as a data augmentation tool to overcome data scarcity in the financial domain. Specifically, we show that training a Long Short-Term Memory (LSTM) forecasting model on a dataset augmented with synthetic data generated by a transformer-based GAN (TTS-GAN) significantly improves the forecasting accuracy compared to using real data alone. We confirm these results across different financial time series (Bitcoin and S\&P500 price data) and various forecasting horizons. Furthermore, we propose a novel, time series specific quality metric that combines Dynamic Time Warping (DTW) and a modified Deep Dataset Dissimilarity Measure (DeD-iMs) to reliably monitor the training progress and evaluate the quality of the generated data. These findings provide compelling evidence for the benefits of GAN-based data augmentation in enhancing financial predictive capabilities.
Abstract（参考訳）: 時系列予測は、エンジニアリングから経済学まで、多くの領域で重要な課題であり、正確な予測が戦略的決定を導く。しかし、金融時系列データの本質的な制限と動的性質のため、金融のような不安定な領域において高度なディープラーニングモデルを適用することは困難である。この不足は、しばしば準最適モデルトレーニングと低一般化をもたらす。根本的な課題は、深層学習予測モデルの予測精度を高めるために、不足する時系列データを確実に増大させる方法を決定することである。我々の主な貢献は、GAN(Generative Adversarial Networks)が、金融分野におけるデータの不足を克服するためのデータ拡張ツールとして、効果的に機能する方法の実証である。具体的には,Transformer-based GAN (TTS-GAN) によって生成された合成データを用いたデータセット上でのLong Short-Term Memory (LSTM) 予測モデルのトレーニングにより,実データのみを用いた場合に比べて予測精度が大幅に向上することを示す。これらの結果は、さまざまな金融時系列(BitcoinとS\&P500の価格データ)と、さまざまな予測分野にまたがって確認する。さらに,動的時間ワーピング(DTW)と改良されたDeep Dataset Dissimilarity Measure(DeD-iMs)を組み合わせることで,トレーニングの進捗を確実に監視し,生成されたデータの品質を評価する。これらの知見は、財務予測能力の向上におけるGANベースのデータ拡張のメリットを裏付ける証拠となる。

関連論文リスト

OATS: Online Data Augmentation for Time Series Foundation Models [49.1394215208561]
時系列基礎モデル(TSFM)は時間分析の強力なパラダイムであり、しばしばデータ品質を向上させるために合成データ拡張によって強化される。 OATS (Online Data Augmentation for Time Series Foundation Models) は、異なるトレーニング手順に合わせて合成データを生成する基本戦略である。
論文参考訳（メタデータ） (2026-01-26T23:51:03Z)
StockBot 2.0: Vanilla LSTMs Outperform Transformer-based Forecasting for Stock Prices [0.0]
本稿では,近代的注意に基づく,畳み込み,反復的な時系列予測モデルを体系的に評価するStockBotアーキテクチャを提案する。慎重に構築されたバニラLSTMは、予測精度とより安定した購買・販売決定を一貫して達成する。
論文参考訳（メタデータ） (2026-01-01T04:09:51Z)
Re(Visiting) Time Series Foundation Models in Finance [3.295157175236371]
金融時系列予測は、トレーディング、ポートフォリオ最適化、リスク管理の中心である。時系列基礎モデル(TSFM)の最近の進歩は、大規模で多様なデータセットから一般化可能な時間表現を学習するための新しいパラダイムを提供する。本稿では,グローバル金融市場におけるTSFMの総合的研究について紹介する。
論文参考訳（メタデータ） (2025-11-23T18:44:19Z)
Extreme value forecasting using relevance-based data augmentation with deep learning models [3.503370263836711]
本研究では,極値予測のためのデータ拡張フレームワークを提案する。我々は、GANや合成マイノリティオーバーサンプリング技術(SMOTE)といったデータ拡張モデルと組み合わせて、ディープラーニングモデルを使用する。以上の結果から,SMOTEをベースとした戦略は高い適応性を示し,短期・長期の予測における性能向上につながることが示唆された。
論文参考訳（メタデータ） (2025-10-02T06:10:27Z)
DELPHYNE: A Pre-Trained Model for General and Financial Time Series [2.601248228220401]
時系列データは、パターンの検出、市場の振る舞いの理解、過去のデータに基づく情報的意思決定を支援する金融アプリケーションにおいて有用である。言語モデリングの最近の進歩は、膨大なデータセットのコレクションに基づいてトレーニングされ、金融分野にまたがる多様なタスクに適用される、時系列事前訓練モデルの台頭につながっている。しかし、既存の時系列事前訓練モデルでは、ゼロショットと微調整の両方で単純な財務ベンチマークよりもパフォーマンスが向上していない。
論文参考訳（メタデータ） (2025-05-12T16:53:29Z)
Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
論文参考訳（メタデータ） (2024-11-24T04:56:45Z)
TimeSieve: Extracting Temporal Dynamics through Information Bottlenecks [31.10683149519954]
本稿では,時系列予測モデルTimeSieveを提案する。提案手法では、ウェーブレット変換を用いて時系列データを前処理し、マルチスケールの特徴を効果的にキャプチャする。本研究は,時系列予測における課題に対処するためのアプローチの有効性を検証した。
論文参考訳（メタデータ） (2024-06-07T15:58:12Z)
Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting [46.63798583414426]
時系列予測(LTSF)は時系列分析において重要なフロンティアである。本研究は, 分析的および実証的な証拠から, 分解が過剰なモデルインフレーションを包含する鍵であることを実証する。興味深いことに、時系列データの本質的なダイナミクスに分解を合わせることで、提案モデルは既存のベンチマークより優れている。
論文参考訳（メタデータ） (2024-01-22T13:15:40Z)
DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文参考訳（メタデータ） (2022-09-23T16:13:47Z)
Bilinear Input Normalization for Neural Networks in Financial Forecasting [101.89872650510074]
本稿では,高頻度金融時系列を扱うディープニューラルネットワークのための新しいデータ駆動正規化手法を提案する。提案手法は,財務時系列のバイモーダル特性を考慮したものである。我々の実験は最先端のニューラルネットワークと高周波データを用いて行われ、他の正規化技術よりも大幅に改善された。
論文参考訳（メタデータ） (2021-09-01T07:52:03Z)
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)
Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。