論文の概要: Deep Learning for Financial Time Series: A Large-Scale Benchmark of Risk-Adjusted Performance

• arxiv url: http://arxiv.org/abs/2603.01820v1
• Date: Mon, 02 Mar 2026 12:52:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.876986
• Title: Deep Learning for Financial Time Series: A Large-Scale Benchmark of Risk-Adjusted Performance
• Title（参考訳）: ファイナンシャル時系列のためのディープラーニング:リスク調整パフォーマンスの大規模ベンチマーク
• Authors: Adir Saly-Kaufmann, Kieran Wood, Jan Peter-Calliess, Stefan Zohren,
• Abstract要約: 本稿では,金融時系列予測と位置分類タスクのための,最新のディープラーニングアーキテクチャの大規模ベンチマークを示す。 我々は線形モデル、リカレントネットワーク、トランスフォーマーベースアーキテクチャ、状態空間モデル、および最近のシーケンス表現アプローチを評価する。 リッチな時間的表現を学習するために設計されたモデルは、線形ベンチマークや一般的なディープラーニングモデルより一貫して優れています。
• 参考スコア（独自算出の注目度）: 4.889402269887708
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a large scale benchmark of modern deep learning architectures for a financial time series prediction and position sizing task, with a primary focus on Sharpe ratio optimization. Evaluating linear models, recurrent networks, transformer based architectures, state space models, and recent sequence representation approaches, we assess out of sample performance on a daily futures dataset spanning commodities, equity indices, bonds, and FX spanning 2010 to 2025. Our evaluation goes beyond average returns and includes statistical significance, downside and tail risk measures, breakeven transaction cost analysis, robustness to random seed selection, and computational efficiency. We find that models explicitly designed to learn rich temporal representations consistently outperform linear benchmarks and generic deep learning models, which often lead the ranking in standard time series benchmarks. Hybrid models such as VSN with LSTM, a combination of Variable Selection Networks (VSN) and LSTMs, achieves the highest overall Sharpe ratio, while VSN with xLSTM and LSTM with PatchTST exhibit superior downside adjusted characteristics. xLSTM demonstrates the largest breakeven transaction cost buffer, indicating improved robustness to trading frictions.
• Abstract（参考訳）: 金融時系列予測と位置サイズ化タスクのための,最新のディープラーニングアーキテクチャの大規模ベンチマークを,シャープ比の最適化を中心に提案する。 線形モデル、リカレントネットワーク、トランスフォーマーベースアーキテクチャ、状態空間モデル、および最近のシーケンス表現アプローチを評価し、2010年から2025年までの商品、エクイティ指標、債券、FXにまたがるデイリー・フューチャーズデータセットにおけるサンプルパフォーマンスの評価を行う。 我々の評価は、平均的なリターンを超えて、統計的重要性、ダウンサイドとテールリスクの計測、破壊的取引コスト分析、ランダムなシード選択に対する堅牢性、計算効率を含む。 リッチな時間的表現を学習するために設計されたモデルは、線形ベンチマークや一般的なディープラーニングモデルよりも一貫して優れており、しばしば標準時系列ベンチマークでランク付けされる。 可変選択ネットワーク(VSN)とLSTMの組み合わせであるVSNとLSTMのようなハイブリッドモデルはシャープ比が最も高く、VSNとxLSTMとLSTMとPatchTSTはより優れた下向き調整特性を示す。 xLSTMは最大の破壊的トランザクションコストバッファを示し、取引摩擦に対する堅牢性の向上を示している。

関連論文リスト

• Trend-Adjusted Time Series Models with an Application to Gold Price Forecasting [0.0]
  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。
  論文  参考訳（メタデータ） (2026-01-19T04:09:53Z)
• 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)
• Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
  時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。 微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。 モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
  論文  参考訳（メタデータ） (2025-09-28T07:07:13Z)
• BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges [55.2480439325792]
  本稿では,時系列予測や資産価格の急上昇の予測に特化して,新たな大規模言語モデル(LLM)アーキテクチャであるBreakGPTを紹介する。 我々は、最小限のトレーニングで財務予測を行うための有望なソリューションとしてBreakGPTを紹介し、局所的およびグローバルな時間的依存関係をキャプチャする強力な競合相手として紹介する。
  論文  参考訳（メタデータ） (2024-11-09T05:40:32Z)
• Bridging SFT and DPO for Diffusion Model Alignment with Self-Sampling Preference Optimization [67.8738082040299]
  自己サンプリング優先最適化(SSPO)は,訓練後強化学習のための新しいアライメント手法である。 SSPOは、SFTのトレーニング安定性を維持しながら、ペアデータと報酬モデルの必要性を排除する。 SSPOは、テキスト・ツー・イメージベンチマークにおける以前のアプローチを全て上回り、テキスト・ツー・ビデオベンチマークにおける優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-10-07T17:56:53Z)
• Margin Matching Preference Optimization: Enhanced Model Alignment with Granular Feedback [64.67540769692074]
  人間のフィードバックからの強化学習など、アライメント技術で微調整された大規模言語モデル(LLM)は、これまでで最も有能なAIシステムの開発に役立っている。 マージンマッチング選好最適化(MMPO)と呼ばれる手法を導入し、相対的な品質マージンを最適化し、LLMポリシーと報酬モデルを改善する。 人間とAIの両方のフィードバックデータによる実験によると、MMPOはMT-benchやRewardBenchといった一般的なベンチマークにおいて、ベースラインメソッドよりも一貫してパフォーマンスが向上している。
  論文  参考訳（メタデータ） (2024-10-04T04:56:11Z)
• LTSM-Bundle: A Toolbox and Benchmark on Large Language Models for Time Series Forecasting [69.33802286580786]
  LTSM-Bundleは総合的なツールボックスであり、LTSMをトレーニングするためのベンチマークである。 複数の次元からLTSMをモジュール化し、ベンチマークし、プロンプト戦略、トークン化アプローチ、ベースモデルの選択、データ量、データセットの多様性を含む。 実験により、この組み合わせは最先端のLTSMや従来のTSF法と比較して、ゼロショットと少数ショットのパフォーマンスが優れていることが示された。
  論文  参考訳（メタデータ） (2024-06-20T07:09:19Z)
• Application of Deep Learning for Factor Timing in Asset Management [21.212548040046133]
  より柔軟なモデルは、目に見えない期間の係数プレミアムのばらつきを説明するのにより良いパフォーマンスを持つ。 ニューラルネットワークのような柔軟なモデルでは、予測に基づく最適な重み付けは不安定である傾向がある。 我々は、過去の最適再バランス方式によるリバランス頻度の傾きが、取引コストの削減に役立つことを検証した。
  論文  参考訳（メタデータ） (2024-04-27T21:57:17Z)
• 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)
• 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)
• Prediction of financial time series using LSTM and data denoising methods [0.29923891863939933]
  本稿では,ウェーブレット変換 (WT) と特異スペクトル解析 (SSA) を含むデータデノイジング法に基づくアンサンブル法を提案する。 WTとSSAは、元のシーケンスから有用な情報を抽出し、オーバーフィッティングを避けるため、ハイブリッドモデルはDJIAの閉値のシーケンスパターンをよりよく把握することができる。
  論文  参考訳（メタデータ） (2021-03-05T07:32:36Z)
• Deep Stock Predictions [58.720142291102135]
  本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。 次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。 カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
  論文  参考訳（メタデータ） (2020-06-08T23:37:47Z)

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。