論文の概要: TradeFM: A Generative Foundation Model for Trade-flow and Market Microstructure

• arxiv url: http://arxiv.org/abs/2602.23784v1
• Date: Fri, 27 Feb 2026 08:26:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-02 19:48:24.314545
• Title: TradeFM: A Generative Foundation Model for Trade-flow and Market Microstructure
• Title（参考訳）: TradeFM: 取引フローと市場構造のための生成基盤モデル
• Authors: Maxime Kawawa-Beaudan, Srijan Sood, Kassiani Papasotiriou, Daniel Borrajo, Manuela Veloso,
• Abstract要約: TradeFMは、9K以上の株式の数十億の取引イベントから直接学習する。 決定論的市場シミュレータと統合されました 以上の結果から,スケール不変な貿易表現が市場微細構造の伝達可能な構造を捉えることが示唆された。
• 参考スコア（独自算出の注目度）: 12.14655140892579
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Foundation models have transformed domains from language to genomics by learning general-purpose representations from large-scale, heterogeneous data. We introduce TradeFM, a 524M-parameter generative Transformer that brings this paradigm to market microstructure, learning directly from billions of trade events across >9K equities. To enable cross-asset generalization, we develop scale-invariant features and a universal tokenization scheme that map the heterogeneous, multi-modal event stream of order flow into a unified discrete sequence -- eliminating asset-specific calibration. Integrated with a deterministic market simulator, TradeFM-generated rollouts reproduce key stylized facts of financial returns, including heavy tails, volatility clustering, and absence of return autocorrelation. Quantitatively, TradeFM achieves 2-3x lower distributional error than Compound Hawkes baselines and generalizes zero-shot to geographically out-of-distribution APAC markets with moderate perplexity degradation. Together, these results suggest that scale-invariant trade representations capture transferable structure in market microstructure, opening a path toward synthetic data generation, stress testing, and learning-based trading agents.
• Abstract（参考訳）: 基礎モデルは、大規模で異質なデータから汎用的な表現を学ぶことによって、ドメインを言語からゲノムへ変換してきた。 我々は,このパラダイムを市場マイクロ構造にもたらす524Mパラメータ生成トランスフォーマーであるTradeFMを紹介する。 クロスアセットの一般化を実現するため,我々は,オーダーフローの不均一なマルチモーダルイベントストリームを統一された離散シーケンスにマッピングする,スケール不変な特徴と普遍トークン化スキームを開発し,アセット固有の校正を排除した。 決定論的市場シミュレータと統合され、TradeFMが生み出したロールアウトは、ヘビーテール、ボラティリティクラスタリング、リターン自己相関の欠如など、金融リターンの重要なスタイル化された事実を再現する。 定量的に、TradeFMはコンプレックスホークスのベースラインよりも2～3倍低い分布誤差を達成し、適度なパープレキシティ劣化を伴う、地理的に分布外APAC市場へのゼロショットを一般化する。 これらの結果は、スケール不変の貿易表現が市場マイクロ構造における伝達可能な構造を捉え、合成データ生成、ストレステスト、学習ベーストレーディングエージェントへの道を開くことを示唆している。

関連論文リスト

• ByteGen: A Tokenizer-Free Generative Model for Orderbook Events in Byte Space [11.523583937607622]
  LOBイベントの生のバイトストリームを直接操作する新しい生成モデルByteGenを紹介する。 私たちの仕事は、機能エンジニアリングとトークン化の完全な排除であり、モデルが最も基本的な表現から市場のダイナミクスを学べるようにします。 ByteGenは、金融市場の重要な事実を再現し、現実的な価格分布、大口リターン、バーストイベントのタイミングを生成する。
  論文  参考訳（メタデータ） (2025-08-04T09:48:42Z)
• 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)
• Diffusion Factor Models: Generating High-Dimensional Returns with Factor Structure [13.929007993061564]
  本稿では,潜在因子構造を生成拡散過程に統合する拡散因子モデルを提案する。 資産返却に固有の低次元因子構造を利用してスコア関数を分解する。 我々は厳密な統計的保証を導き,両スコア推定のための漸近誤差境界を確立する。
  論文  参考訳（メタデータ） (2025-04-09T04:01:35Z)
• STORM: A Spatio-Temporal Factor Model Based on Dual Vector Quantized Variational Autoencoders for Financial Trading [55.02735046724146]
  金融取引では、ファクターモデルが資産の価格設定や過大なリターンの獲得に広く利用されている。 双対ベクトル量子化変分オートエンコーダを用いた時空間ファクトラーモデルSTORMを提案する。 ストームは時間的および空間的な視点からストックの特徴を抽出し、これらの特徴を微細で意味的なレベルで融合し整列させ、その要素を多次元の埋め込みとして表現する。
  論文  参考訳（メタデータ） (2024-12-12T17:15:49Z)
• Task Groupings Regularization: Data-Free Meta-Learning with Heterogeneous Pre-trained Models [83.02797560769285]
  Data-Free Meta-Learning (DFML)は、トレーニング済みモデルのコレクションから、元のデータにアクセスせずに知識を抽出することを目的としている。 現在の手法は、事前訓練されたモデル間の不均一性を見落とし、タスクの衝突による性能低下につながることが多い。
  論文  参考訳（メタデータ） (2024-05-26T13:11:55Z)
• Cross-Modal Prototype based Multimodal Federated Learning under Severely Missing Modality [28.90486547668949]
  MFCPL (Multimodal Federated Cross Prototype Learning) は、MFLにおいて、高度に欠落したモダリティの下での新たなアプローチである。 MFCPLは、モダリティ共有レベルにおいて、クロスモーダル正規化とクロスモーダルコントラスト機構を備えたモダリティ固有レベルと共に多様なモダリティ知識を提供する。 本手法では,モーダリティに特有な特徴の正規化を実現するために,クロスモーダルアライメントを導入し,全体的な性能を向上させる。
  論文  参考訳（メタデータ） (2024-01-25T02:25:23Z)
• Multiresolution Signal Processing of Financial Market Objects [0.0]
  非線形アソシエーションをキャプチャするニューラルネットワークと、マルチスケールの分解アプローチを組み合わせることで、金融市場データサブストラクチャの理解を深める。 幅広い応用の文脈において、我々のアプローチを説明する。
  論文  参考訳（メタデータ） (2022-10-28T06:46:01Z)
• Super-model ecosystem: A domain-adaptation perspective [101.76769818069072]
  本稿では,ドメイン適応による新たなスーパーモデルパラダイムの理論的基礎を確立することを試みる。 スーパーモデルパラダイムは、計算とデータコストと二酸化炭素排出量を減らすのに役立つ。
  論文  参考訳（メタデータ） (2022-08-30T09:09:43Z)
• CLVSA: A Convolutional LSTM Based Variational Sequence-to-Sequence Model with Attention for Predicting Trends of Financial Markets [12.020797636494267]
  生の金融トレーディングデータの特徴を変動的に捉えるハイブリッドモデルであるCLVSAを提案する。 本モデルでは,畳み込みニューラルネットワーク,バニラlstmネットワーク,シーケンシャル・ツー・シーケンスモデルなどの基本モデルよりも注目される。 実験の結果,clvsaは,近似後段の導入により,kullback-leibler 発散に基づく余分な正規化剤を活用し,トラップの過剰フィットを防止することができた。
  論文  参考訳（メタデータ） (2021-04-08T20:31:04Z)
• Bayesian Transformer Language Models for Speech Recognition [59.235405107295655]
  トランスフォーマーで表現される最先端のニューラルネットワークモデル(LM)は非常に複雑である。 本稿では,トランスフォーマーLM推定のためのベイズ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-09T10:55:27Z)
• Supercharging Imbalanced Data Learning With Energy-based Contrastive Representation Transfer [72.5190560787569]
  コンピュータビジョンにおいて、長い尾のデータセットからの学習は、特に自然画像データセットの繰り返しのテーマである。 本稿では,データ生成機構がラベル条件と特徴分布の間で不変であるメタ分散シナリオを提案する。 これにより、因果データインフレーションの手順を利用してマイノリティクラスの表現を拡大できる。
  論文  参考訳（メタデータ） (2020-11-25T00:13:11Z)
• 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。