論文の概要: A Controlled Comparison of Deep Learning Architectures for Multi-Horizon Financial Forecasting: Evidence from 918 Experiments

• arxiv url: http://arxiv.org/abs/2603.16886v1
• Date: Fri, 27 Feb 2026 03:27:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.361138
• Title: A Controlled Comparison of Deep Learning Architectures for Multi-Horizon Financial Forecasting: Evidence from 918 Experiments
• Title（参考訳）: マルチ水平金融予測のためのディープラーニングアーキテクチャの制御された比較:918実験からの証拠
• Abstract要約: マルチ水平価格予測は、ポートフォリオ割り当て、リスク管理、アルゴリズム取引の中心である。 ディープラーニングアーキテクチャは、厳格な財務ベンチマークで評価できるよりも急速に成長しています。 ModernTCNは75パーセントの1位率で最高ランク(1.333)を獲得し、PatchTST(2.000)が続く。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-horizon price forecasting is central to portfolio allocation, risk management, and algorithmic trading, yet deep learning architectures have proliferated faster than rigorous financial benchmarks can evaluate them. This study provides a controlled comparison of nine architectures (Autoformer, DLinear, iTransformer, LSTM, ModernTCN, N-HiTS, PatchTST, TimesNet, and TimeXer) spanning Transformer, MLP, CNN, and RNN families across cryptocurrency, forex, and equity index markets at 4-hour and 24-hour horizons. A total of 918 experiments were conducted under a strict five-stage protocol including fixed-seed Bayesian hyperparameter optimization, configuration freezing per asset class, multi-seed retraining, uncertainty aggregation, and statistical validation. ModernTCN achieves the best mean rank (1.333) with a 75 percent first-place rate, followed by PatchTST (2.000). Results reveal a clear three-tier ranking structure and show that architecture explains nearly all performance variance, while seed randomness is negligible. Rankings remain stable across horizons despite 2 to 2.5 times error amplification. Directional accuracy remains near 50 percent across all configurations, indicating that MSE-trained models lack directional skill at hourly resolution. The findings highlight the importance of architectural inductive bias over raw parameter count and provide reproducible guidance for multi-step financial forecasting.
• Abstract（参考訳）: マルチホライゾン価格予測はポートフォリオ割り当て、リスク管理、アルゴリズム取引の中心であるが、ディープラーニングアーキテクチャは厳格な金融ベンチマークよりも急速に成長している。 本研究は,Transformer, MLP, CNN, RNNの9つのアーキテクチャ(Autoformer, DLinear, iTransformer, LSTM, ModernTCN, N-HiTS, PatchTST, TimesNet, TimeXer)を,暗号通貨,フォレックス,および株式指数市場で4時間と24時間にわたって比較した。 固定シードベイズ型ハイパーパラメータ最適化,アセットクラス毎の設定凍結,マルチシードリトレーニング,不確実性集約,統計的検証を含む,厳密な5段階のプロトコルの下で,合計918の実験を行った。 近代TCNは75パーセントで最高位(1.333)を獲得し、続いてPatchTST(2.000)が続く。 結果は3階層の明確なランキング構造を明らかにし、アーキテクチャがほとんどすべてのパフォーマンスのばらつきを説明し、シードランダム性は無視可能であることを示す。 2～2.5倍の誤差増幅にもかかわらず、水平線全体でランクは安定している。 方向の精度は、すべての構成において50%近くであり、MSE訓練されたモデルは時間分解能において方向性のスキルを欠いていることを示している。 この結果は, 生パラメータ数に対するアーキテクチャ誘導バイアスの重要性を強調し, 多段階財務予測のための再現可能なガイダンスを提供する。

関連論文リスト

• VertiFuseX: Generalizable Financial Forecasting via Multi-Stream Temporal Fusion [0.0]
  マルチスケールの時間表現の垂直融合を用いたハイブリッドLSTMアーキテクチャであるVertiFuseXを提案する。 我々は、厳格な時間外テストを用いて、10のグローバルエクイティ指標から15年(2010-2024)の終値で評価する。 VertiFuseXは30～54%のMAPE削減を実現し、LSTMベースのベースラインに対してMAEとRMSEを40%以上改善した。
  論文  参考訳（メタデータ） (2026-09-11T12:54:25Z)
• Systematic Evaluation of Learning Rate Scheduling Strategies Across Heterogeneous Architectures [48.83701310501069]
  多様なアーキテクチャのプールにおけるスケジューラの分類精度への影響について検討する。 我々は9つのPyTorchファミリーに25のスケジューラ構成を適用し、CIFAR-10で合計3,938のモデル変種を評価した。 CosineAnnealingWarmRestarts と CyclicLR は、基本的な崩壊戦略を一貫して上回ります。
  論文  参考訳（メタデータ） (2026-07-09T14:06:39Z)
• RAVEN: A Regime-Aware Variable-context Expert Network for Financial Time Series Forecasting [83.06074370551887]
  固定コンテキストウィンドウは、非定常価格プロセスの時間変化最適振り返りと一致しない。 本稿では,各サンプルの時間的文脈を適応的に決定するMixture-of-Expertsフレームワークを提案する。 累積ログリターン予測(HS300、S&P500)およびファンド販売予測の実験では、RAVENはSOTAのパフォーマンスを達成し、HS300ではピアソン相関を9.2%改善し、S&P500では20.2%改善し、MSEを18.2%削減している。
  論文  参考訳（メタデータ） (2026-06-23T02:11:04Z)
• EEVEE: Towards Test-time Prompt Learning in the Real World for Self-Improving Agents [64.96332056338923]
  EEVEEは、LLMエージェントのための最初のマルチデータセットテスト時プロンプト学習フレームワークである。 実世界のタスクストリーム下でテスト時のプロンプト学習を可能にする。 EEVEEはQwen3-4B-InstructとDeepSeek-V3.2で平均マルチベンチマークスコアを10.38点、24.32点改善している。
  論文  参考訳（メタデータ） (2026-06-09T17:57:16Z)
• TEMPO: Scaling Test-time Training for Large Reasoning Models [87.61789183311856]
  テストタイムトレーニング(TTT)は、推論時間中にラベルのないテストインスタンスにモデルパラメータを適用する。 TTTフレームワークであるTEMPOを提案する。これは、ラベル付きデータセット上で定期的な批評家の再検討を行い、ラベル付き質問に対するポリシー修正をインターリーブする。
  論文  参考訳（メタデータ） (2026-04-21T10:01:04Z)
• MinerU2.5-Pro: Pushing the Limits of Data-Centric Document Parsing at Scale [92.09717763663873]
  我々は、データエンジニアリングとトレーニング戦略設計を通じて、純粋に最先端の技術を進化させるMinerU2.5-Proを提案する。 コアとなるのは、カバレッジ、情報性、アノテーションの正確性を中心に設計されたData Engineだ。 我々は,MinerU2.5-Pro が OmniDocBench v1.6 上で 95.69 を達成することを示す。
  論文  参考訳（メタデータ） (2026-04-06T15:44:18Z)
• Towards a Science of Scaling Agent Systems [79.64446272302287]
  エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。 協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。 ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
  論文  参考訳（メタデータ） (2025-12-09T06:52:21Z)
• Hybrid Quantum-Classical Ensemble Learning for S\&P 500 Directional Prediction [0.2538209532048867]
  本稿では,量子感情分析,決定変換アーキテクチャ,戦略的モデル選択を組み合わせたハイブリッドアンサンブルフレームワークを提案する。 S&P500予測の方向精度は60.14%で、個々のモデルよりも3.10%向上している。
  論文  参考訳（メタデータ） (2025-12-06T22:22:09Z)
• 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)
• FTSCommDetector: Discovering Behavioral Communities through Temporal Synchronization [15.690768429709811]
  従来のコミュニティ検出手法では、エンティティが独立して動きながら重要な瞬間に整合する同期脱同期パターンをキャプチャできない。 FTSCommDetectorを導入し、TCA(Temporal Coherence Architecture)を実装し、類似および異種コミュニティを発見する。 その結果、FTSCommDetectorは4つの多様な金融市場において一貫した改善を実現した。
  論文  参考訳（メタデータ） (2025-09-17T16:12:54Z)
• Comprehensive Modeling Approaches for Forecasting Bitcoin Transaction Fees: A Comparative Study [0.0]
  本研究は,Bitcoin取引手数料予測のための6つの予測モデルについて,体系的評価を行った。 当社のアプローチでは,メムプールメトリクス,ネットワークパラメータ,履歴料金パターンにまたがる包括的機能エンジニアリングを統合している。 従来の統計的アプローチは、より複雑なディープラーニングアーキテクチャよりも優れている。
  論文  参考訳（メタデータ） (2025-02-03T03:52:07Z)
• Accurate and Reliable Predictions with Mutual-Transport Ensemble [46.368395985214875]
  Kullback-Leibler (KL) を用いた共学習補助モデルの提案とクロスエントロピー損失の適応的正則化 MTEは精度と不確実性の両方を同時に向上させることができる。 例えば、CIFAR-100データセットでは、我々のResNet34/50上のMTEメソッドは、従来の最先端の手法に比べて大幅に改善された。
  論文  参考訳（メタデータ） (2024-05-30T03:15:59Z)
• LOT: Layer-wise Orthogonal Training on Improving $\ell_2$ Certified Robustness [14.206377940235091]
  近年の研究では、リプシッツ制約によるディープニューラルネットワーク(DNN)のトレーニングは、対向的ロバスト性や安定性などのモデル特性を高めることができることが示されている。 本研究では,1-Lipschitz畳み込み層を効果的に学習するための層ワイド直交訓練法(LOT)を提案する。 LOTは、決定論的l2証明されたロバスト性に関して、ベースラインを著しく上回り、より深いニューラルネットワークにスケールすることを示す。
  論文  参考訳（メタデータ） (2022-10-20T22:31:26Z)
• SmoothNets: Optimizing CNN architecture design for differentially private deep learning [69.10072367807095]
  DPSGDは、サンプルごとの勾配の切り抜きとノイズ付けを必要とする。 これにより、非プライベートトレーニングと比較してモデルユーティリティが削減される。 SmoothNetと呼ばれる新しいモデルアーキテクチャを蒸留し,DP-SGDトレーニングの課題に対するロバスト性の向上を特徴とした。
  論文  参考訳（メタデータ） (2022-05-09T07:51:54Z)
• ERNIE-SPARSE: Learning Hierarchical Efficient Transformer Through Regularized Self-Attention [48.697458429460184]
  情報ボトルネック感度と異なる注目トポロジ間の不整合の2つの要因がスパース変換器の性能に影響を及ぼす可能性がある。 本稿では,ERNIE-Sparseというモデルを提案する。 i) 局所情報とグローバル情報を逐次統一する階層スパース変換器(HST) と、(ii) 注意トポロジの異なる変換器の距離を最小化する自己注意正規化(SAR) の2つの特徴がある。
  論文  参考訳（メタデータ） (2022-03-23T08:47:01Z)

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。