論文の概要: Adaptive Regime-Aware Stock Price Prediction Using Autoencoder-Gated Dual Node Transformers with Reinforcement Learning Control

• arxiv url: http://arxiv.org/abs/2603.19136v1
• Date: Thu, 19 Mar 2026 16:55:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:06.279183
• Title: Adaptive Regime-Aware Stock Price Prediction Using Autoencoder-Gated Dual Node Transformers with Reinforcement Learning Control
• Title（参考訳）: 強化学習制御を用いたオートエンコーダ付きデュアルノード変圧器を用いた適応型正規化株価予測
• Authors: Mohammad Al Ridhawi, Mahtab Haj Ali, Hussein Al Osman,
• Abstract要約: 既存のアプローチは全ての市場状態を均一に扱うか、または手動のレギュレーションラベリングを必要とする。 本稿では,通常の市場条件から逸脱を適応的に識別し,特定の予測経路を通じてデータをルーティングする適応予測フレームワークを提案する。 1982年から2025年にかけてのS&P500株20株の実験では、このフレームワークは1日間の予測では0.68%のMAPE、完全な適応システムでは0.59%のMAPEを達成した。
• 参考スコア（独自算出の注目度）: 1.2362187555287152
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stock markets exhibit regime-dependent behavior where prediction models optimized for stable conditions often fail during volatile periods. Existing approaches typically treat all market states uniformly or require manual regime labeling, which is expensive and quickly becomes stale as market dynamics evolve. This paper introduces an adaptive prediction framework that adaptively identifies deviations from normal market conditions and routes data through specialized prediction pathways. The architecture consists of three components: (1) an autoencoder trained on normal market conditions that identifies anomalous regimes through reconstruction error, (2) dual node transformer networks specialized for stable and event-driven market conditions respectively, and (3) a Soft Actor-Critic reinforcement learning controller that adaptively tunes the regime detection threshold and pathway blending weights based on prediction performance feedback. The reinforcement learning component enables the system to learn adaptive regime boundaries, defining anomalies as market states where standard prediction approaches fail. Experiments on 20 S&P 500 stocks spanning 1982 to 2025 demonstrate that the proposed framework achieves 0.68% MAPE for one-day predictions without the reinforcement controller and 0.59% MAPE with the full adaptive system, compared to 0.80% for the baseline integrated node transformer. Directional accuracy reaches 72% with the complete framework. The system maintains robust performance during high-volatility periods, with MAPE below 0.85% when baseline models exceed 1.5%. Ablation studies confirm that each component contributes meaningfully: autoencoder routing accounts for 36% relative MAPE degradation upon removal, followed by the SAC controller at 15% and the dual-path architecture at 7%.
• Abstract（参考訳）: 株式市場は、安定な条件に最適化された予測モデルが不安定な期間にしばしば失敗する状況に依存した行動を示す。 既存のアプローチは、通常、すべての市場状態を均一に扱うか、または手動のレギュレーションラベリングを必要とする。 本稿では,通常の市場条件から逸脱を適応的に識別し,特定の予測経路を通じてデータをルーティングする適応予測フレームワークを提案する。 本アーキテクチャは,(1)再構成エラーによる異常状態の特定を行う正規の市場条件に基づいて訓練されたオートエンコーダ,(2)安定および事象駆動の市場条件に特化したデュアルノードトランスフォーマネットワーク,(3)予測性能フィードバックに基づいて条件検出しきい値と経路ブレンディング重みを適応的に調整するソフトアクタ・クライト強化学習コントローラの3つのコンポーネントから構成される。 強化学習コンポーネントにより、システムは適応的な体制境界を学習し、標準予測アプローチが失敗する市場状態として異常を定義することができる。 1982年から2025年にかけての20株のS&P 500株に対する実験では、このフレームワークは強化コントローラなしで1日間の予測で0.68%のMAPE、完全な適応システムで0.59%のMAPEを達成したが、ベースライン統合ノードトランスでは0.80%であった。 方向性の精度は、完全なフレームワークで72%に達する。 システムは高ボラティリティ期間中に堅牢な性能を維持し、ベースラインモデルが1.5%を超えると、MAPEは0.85%以下となる。 オートエンコーダルーティングは削除後のMAPEの相対劣化を36%、SACコントローラは15%、デュアルパスアーキテクチャは7%である。

関連論文リスト

• Leap+Verify: Regime-Adaptive Speculative Weight Prediction for Accelerating Neural Network Training [0.0]
  本稿では,ニューラルネットワークトレーニングの高速化を目的としたLeap+Verifyを紹介する。 将来のモデルの重みを予測し、受け入れ前に予測を検証する。 GPT-2 124MのLeap+VerifyとWikiText-103で訓練されたQwen 2.5-1.5Bを5つのランダムシードで評価した。
  論文  参考訳（メタデータ） (2026-02-23T08:01:44Z)
• 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)
• Hierarchical Spatio-Temporal Attention Network with Adaptive Risk-Aware Decision for Forward Collision Warning in Complex Scenarios [7.238050152381639]
  本稿では,階層型時空間注意ネットワークと動的リスク閾値調整アルゴリズムを併用した前方衝突警報フレームワークを提案する。 マルチシナリオデータセットでテストされ、完全なシステムは高い有効性を示し、F1スコアは0.912、偽警報率は8.2%、警告リード時間は2.8秒である。
  論文  参考訳（メタデータ） (2025-11-25T05:57:29Z)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• Dynamic Model Selection for Trajectory Prediction via Pairwise Ranking and Meta-Features [0.0]
  最近の深い軌道予測器は、高い平均精度を達成したが、複雑な長距離運転シナリオでは信頼性が保たれている。 物理インフォームドLSTM, トランスフォーマー, 微調整されたGameFormerのうち, もっとも信頼性の高い軌道予測器を適応的に選択する動的マルチエキスパートゲーティングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-31T10:01:01Z)
• Alpamayo-R1: Bridging Reasoning and Action Prediction for Generalizable Autonomous Driving in the Long Tail [85.47497935739936]
  Alpamayo-R1 (AR1) は、因果推論の連鎖と軌道計画を統合する視覚言語モデルである。 また,AR1は,軌道のみのベースラインに比べて,難問の計画精度が12%向上することを示した。 今後のアップデートで、AR1モデルとCoCのサブセットをリリースする予定です。
  論文  参考訳（メタデータ） (2025-10-30T01:25:34Z)
• Continual Action Quality Assessment via Adaptive Manifold-Aligned Graph Regularization [53.82400605816587]
  アクション品質アセスメント(AQA)は、ビデオにおける人間の行動を定量化し、スポーツスコアリング、リハビリテーション、スキル評価の応用を支援する。 大きな課題は、現実世界のシナリオにおける品質分布の非定常的な性質にある。 本稿では,進化する分布を扱うための連続学習機能を備えた連続AQA(Continuous AQA)を紹介する。
  論文  参考訳（メタデータ） (2025-10-08T10:09:47Z)
• RegimeFolio: A Regime Aware ML System for Sectoral Portfolio Optimization in Dynamic Markets [2.21658458251407]
  RegimeFolioは、レジームを意識し、セクターを専門とする新しいフレームワークである。 明示的なボラティリティ体制のセグメンテーションとセクター固有のアンサンブル予測を統合している。 我々は2020年から2024年にかけて、34の米国株式に対するRegimeFolioの評価を行った。
  論文  参考訳（メタデータ） (2025-09-14T12:03:06Z)
• Towards a Competitive End-to-End Speech Recognition for CHiME-6 Dinner Party Transcription [73.66530509749305]
  本稿では,難しい場合であっても,ハイブリッドベースラインに近い性能を示すエンドツーエンドアプローチについて論じる。 CTC-Attention と RNN-Transducer のアプローチと RNN と Transformer のアーキテクチャを比較し,解析する。 RNN-Transducerをベースとしたベストエンド・ツー・エンドモデルでは、ビームサーチの改善とともに、LF-MMI TDNN-F CHiME-6 Challengeのベースラインよりも品質が3.8%向上した。
  論文  参考訳（メタデータ） (2020-04-22T19:08:33Z)

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。