論文の概要: ARTEMIS: A Neuro Symbolic Framework for Economically Constrained Market Dynamics

• arxiv url: http://arxiv.org/abs/2603.18107v1
• Date: Wed, 18 Mar 2026 13:00:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:05.768698
• Title: ARTEMIS: A Neuro Symbolic Framework for Economically Constrained Market Dynamics
• Title（参考訳）: ARTEMIS: 経済的に制約された市場ダイナミクスのためのニューロシンボリックフレームワーク
• Authors: Rahul D Ray,
• Abstract要約: ARTEMIS (Arbitrage-free Representation through Economic Models and Interpretable Symbolics) モデルでは、Fynman-Kac PDE(英語版)という2つの新しいレギュラー化条件によって経済の可算性(英語版)を強制し、局所的非軌道違反を復活させ、シャープ比を制限したリスクペナルティの市場価格を課している。 我々は,Jane Street,Optiver,Time-IMM,DSLOBの4つのデータセットに対して,ARTEMISを評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning models in quantitative finance often operate as black boxes, lacking interpretability and failing to incorporate fundamental economic principles such as no-arbitrage constraints. This paper introduces ARTEMIS (Arbitrage-free Representation Through Economic Models and Interpretable Symbolics), a novel neuro-symbolic framework combining a continuous-time Laplace Neural Operator encoder, a neural stochastic differential equation regularised by physics-informed losses, and a differentiable symbolic bottleneck that distils interpretable trading rules. The model enforces economic plausibility via two novel regularisation terms: a Feynman-Kac PDE residual penalising local no-arbitrage violations, and a market price of risk penalty bounding the instantaneous Sharpe ratio. We evaluate ARTEMIS against six strong baselines on four datasets: Jane Street, Optiver, Time-IMM, and DSLOB (a synthetic crash regime). Results demonstrate ARTEMIS achieves state-of-the-art directional accuracy, outperforming all baselines on DSLOB (64.96%) and Time-IMM (96.0%). A comprehensive ablation study confirms each component's contribution: removing the PDE loss reduces directional accuracy from 64.89% to 50.32%. Underperformance on Optiver is attributed to its long sequence length and volatility-focused target. By providing interpretable, economically grounded predictions, ARTEMIS bridges the gap between deep learning's power and the transparency demanded in quantitative finance.
• Abstract（参考訳）: 量的金融における深層学習モデルは、しばしばブラックボックスとして機能し、解釈可能性に欠け、非アービタージ制約のような基本的な経済原理を組み込むことができない。 本稿では、ARTEMIS(Arbitrage-free Representation Through Economic Models and Interpretable Symbolics)、連続時間ラプラスニューラル演算子エンコーダ(Laplace Neural Operator encoder)、物理インフォームド・ロスによって正規化されるニューラル確率微分方程式(Neural stochastic differential equation)、解釈可能なトレーディングルールを排除した微分可能なシンボルボトルネック(英語版)を紹介する。 このモデルでは、Fynman-Kac PDE(英語版)という2つの新しいレギュラー化条件によって経済の可算性(英語版)を強制し、局所的非アービタージュ違反を課し、即時シャープ比率を制限したリスクペナルティの市場価格を課している。 本研究では,Jane Street,Optiver,Time-IMM,DSLOB(Synthetic crash regime)の4つのデータセットに対してARTEMISを評価する。 結果、ARTEMISは最先端の方向精度を達成し、DSLOB (64.96%) と Time-IMM (96.0%) の全てのベースラインを上回った。 PDE損失の除去は方向精度を64.89%から50.32%に低下させる。 Optiverのアンダーパフォーマンスは、その長いシーケンス長とボラティリティにフォーカスしたターゲットに起因する。 解釈可能で経済的に根ざした予測を提供することにより、ARTEMISは、深層学習の力と量的金融で要求される透明性の間のギャップを埋める。

関連論文リスト

• Wiener Chaos Expansion based Neural Operator for Singular Stochastic Partial Differential Equations [58.188204772101756]
  本稿では,最近開発された Wiener Chaos Expansion (WCE) ベースのニューラル演算子 (NO) を特異偏微分方程式に適用する方法について検討する。 特徴量線形変調(FiLM)を利用して特異SPDEの解とその滑らかな残差の依存性を適切に把握する。 得られたWCE-FiLM-NOは、相対的な$L$損失、アウト・オブ・ディストリビューション、自己相関スコアによって測定された、$boldsymbol4$に対して優れた性能を示す。
  論文  参考訳（メタデータ） (2026-03-09T10:50:30Z)
• Explainable Regime Aware Investing [0.0]
  本稿では,厳密な因果関係を持つ Wasserstein Hidden Markov Model に基づくレシック・アウェア・ポートフォリオ構築フレームワークを提案する。 ワッサーシュタインHMMレジームは、等重量およびSPXの買いと持ち株のベンチマークと対照的に、非常に高いリスク調整性能を達成している。
  論文  参考訳（メタデータ） (2026-02-21T00:33:16Z)
• Autonomous AI Agents for Option Hedging: Enhancing Financial Stability through Shortfall Aware Reinforcement Learning [7.793044742733676]
  2つの強化学習フレームワークを導入し、短命確率を優先順位付けし、学習目標を下位の敏感なヘッジと整合させる。 我々は,実現された経路デルタヘッジ結果分布,ショートフォール確率,予測ショートフォールなどのテールリスク尺度を用いたモデルの評価を行った。 この摩擦を意識したRLフレームワークは、AI強化トレーディングシステムスケールとして、自律デリバティブのリスク管理に対する実践的なアプローチをサポートする。
  論文  参考訳（メタデータ） (2026-02-01T18:36:27Z)
• ERA-IT: Aligning Semantic Models with Revealed Economic Preference for Real-Time and Explainable Patent Valuation [0.0]
  本研究は,ERA-IT(Economic Reasoning Alignment via Instruction Tuning)フレームワークを提案する。 理論的には、特許更新履歴を明らかな経済的嗜好として概念化し、客観的な監視信号として活用する。 我々は、価値層を予測するだけでなく、構造化されていないテキストからEconomic Chain-of-Thoughtをリバースエンジニアリングするようにモデルを訓練した。
  論文  参考訳（メタデータ） (2025-12-14T23:04:07Z)
• Trade in Minutes! Rationality-Driven Agentic System for Quantitative Financial Trading [57.28635022507172]
  TiMiは、アーキテクチャ上、戦略開発を分単位のデプロイメントから切り離す合理性駆動型マルチエージェントシステムである。 本稿では,マクロパターンからマイクロカスタマイズ,トレーディングボット実装のための階層型プログラミング設計,数学的リフレクションによって駆動されるクローズドループ最適化までの2層解析パラダイムを提案する。
  論文  参考訳（メタデータ） (2025-10-06T13:08:55Z)
• The Sound of Risk: A Multimodal Physics-Informed Acoustic Model for Forecasting Market Volatility and Enhancing Market Interpretability [45.501025964025075]
  本稿では,財務リスク評価のための新たな枠組みを提案する。 我々は1,795件の収支コールのデータセットを用いて、スクリプトによるプレゼンテーションと自発的なQ&A交換の動的変化をキャプチャする機能を構築した。 我々の重要な発見は、予測能力の顕著なばらつきを明らかにしている: マルチモーダルな特徴は、方向性の株価リターンを予測しないが、30日間に実現されたボラティリティにおけるサンプル外変動の最大43.8%を説明できる。
  論文  参考訳（メタデータ） (2025-08-26T03:51:03Z)
• 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)
• 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)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)

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。