論文の概要: SBBTS: A Unified Schrödinger-Bass Framework for Synthetic Financial Time Series

• arxiv url: http://arxiv.org/abs/2604.07159v1
• Date: Wed, 08 Apr 2026 14:49:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.591152
• Title: SBBTS: A Unified Schrödinger-Bass Framework for Synthetic Financial Time Series
• Title（参考訳）: SBBTS: 統合Schrödinger-Bassフレームワーク
• Authors: Alexandre Alouadi, Grégoire Loeper, Célian Marsala, Othmane Mazhar, Huyên Pham,
• Abstract要約: 我々は、Schrdinger-Bass Bridge for Time Seriesを導入し、Schrdinger-Bassの定式化をマルチステップ時系列に拡張する統合フレームワークについて紹介する。 ドリフトとボラティリティを共同で校正し, 条件付き輸送問題へのトラクタブルな分解を許容する拡散過程を構築する。 以上の結果から,SBBTSは,財務アプリケーションにおける実時間生成とデータ拡張のための実践的で効果的なフレームワークであることがわかった。
• 参考スコア（独自算出の注目度）: 36.94429692322632
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study the problem of generating synthetic time series that reproduce both marginal distributions and temporal dynamics, a central challenge in financial machine learning. Existing approaches typically fail to jointly model drift and stochastic volatility, as diffusion-based methods fix the volatility while martingale transport models ignore drift. We introduce the Schrödinger-Bass Bridge for Time Series (SBBTS), a unified framework that extends the Schrödinger-Bass formulation to multi-step time series. The method constructs a diffusion process that jointly calibrates drift and volatility and admits a tractable decomposition into conditional transport problems, enabling efficient learning. Numerical experiments on the Heston model demonstrate that SBBTS accurately recovers stochastic volatility and correlation parameters that prior SchrödingerBridge methods fail to capture. Applied to S&P 500 data, SBBTS-generated synthetic time series consistently improve downstream forecasting performance when used for data augmentation, yielding higher classification accuracy and Sharpe ratio compared to real-data-only training. These results show that SBBTS provides a practical and effective framework for realistic time series generation and data augmentation in financial applications.
• Abstract（参考訳）: 本研究では,金融機械学習における中心的課題である限界分布と時間的ダイナミクスの両方を再現する合成時系列の生成問題について検討する。 既存の手法は通常、ドリフトと確率的ボラティリティを共同でモデル化できないが、拡散に基づく手法はボラティリティを補正し、マーチンゲール輸送モデルはドリフトを無視する。 我々はSBBTS(Schrödinger-Bass Bridge for Time Series)を導入し、SBBTSはシュレーディンガー-Bassの定式化を多段階時系列に拡張する統合フレームワークである。 ドリフトとボラティリティを共同で校正し、条件付き輸送問題へのトラクタブル分解を許容し、効率的な学習を可能にする拡散過程を構築する。 ヘストンモデルに関する数値実験により、SBBTSは確率的ボラティリティと、以前のシュレーディンガー・ブリッジ法が捉えられなかった相関パラメータを正確に回復することを示した。 S&P 500データに適用すると、SBBTS生成した合成時系列はデータ拡張に使用する場合の下流予測性能を一貫して改善し、実データのみのトレーニングに比べて高い分類精度とシャープ比が得られる。 これらの結果から,SBBTSは金融アプリケーションにおける実時間時系列生成とデータ拡張のための実践的で効果的なフレームワークであることがわかった。

関連論文リスト

• TimePre: Bridging Accuracy, Efficiency, and Stability in Probabilistic Time-Series Forecasting [30.11463473977148]
  TimePreは、MCLパラダイムの分散柔軟性とモデルの効率を統一する新しいフレームワークである。 TimePreは、主要な確率的メトリクスで新しい最先端の精度を達成する。 これにより、確率予測における精度、効率、安定性の長年のギャップを埋める。
  論文  参考訳（メタデータ） (2025-11-23T17:10:07Z)
• Enhancing Transformer-Based Foundation Models for Time Series Forecasting via Bagging, Boosting and Statistical Ensembles [7.787518725874443]
  時系列基礎モデル(TSFM)は、時系列予測、異常検出、分類、計算のための強力な一般化とゼロショット能力を示している。 本稿では, 統計的およびアンサンブルに基づくエンハンスメント技術を用いて, 頑健さと精度を向上させる手法について検討する。
  論文  参考訳（メタデータ） (2025-08-18T04:06:26Z)
• A diffusion-based generative model for financial time series via geometric Brownian motion [1.3654846342364308]
  本稿では,金融時系列の拡散に基づく新たな生成フレームワークを提案する。 本手法は,金融時系列のヘテロスケダスティティーを反映して,各段階の資産価格に比例してノイズを注入する。 ドリフトと拡散の項を正確にバランスさせることにより、結果として得られる対数-価格過程が分散拡散微分方程式に還元されることを示す。
  論文  参考訳（メタデータ） (2025-07-25T07:02:09Z)
• Inference-Time Scaling of Diffusion Language Models with Particle Gibbs Sampling [70.8832906871441]
  我々は、モデルを再訓練することなく、所望の報酬に向けて世代を操る方法を研究する。 従来の手法では、通常は1つの認知軌道内でサンプリングやフィルタを行い、軌道レベルの改善なしに報酬をステップバイステップで最適化する。 本稿では,拡散言語モデル(PG-DLM)の粒子ギブスサンプリングについて紹介する。
  論文  参考訳（メタデータ） (2025-07-11T08:00:47Z)
• ExoTST: Exogenous-Aware Temporal Sequence Transformer for Time Series Prediction [11.511830352094353]
  時系列予測のためのトランスフォーマーベースのフレームワークであるExoTSTを提案する。 過去の変数と現在の変数を統合するために、ExoTSTは、新しい時間的相互モダリティ融合モジュールを導入した。 実世界の炭素フラックスデータセットと時系列ベンチマークの実験は、ExoTSTの優れた性能を示している。
  論文  参考訳（メタデータ） (2024-10-16T03:04:37Z)
• Improving Consistency Models with Generator-Augmented Flows [16.049476783301724]
  一貫性モデルは、ニューラルネットワークの単一前方通過におけるスコアベース拡散の多段階サンプリングを模倣する。 それらは、一貫性の蒸留と一貫性のトレーニングの2つの方法を学ぶことができる。 本稿では,一貫性モデルから得られたノイズデータを対応する出力へ転送する新しい流れを提案する。
  論文  参考訳（メタデータ） (2024-06-13T20:22:38Z)
• Fast Sampling via Discrete Non-Markov Diffusion Models with Predetermined Transition Time [49.598085130313514]
  離散非マルコフ拡散モデル(DNDM)を提案する。 これにより、トレーニング不要なサンプリングアルゴリズムにより、関数評価の数を大幅に削減できる。 有限ステップサンプリングから無限ステップサンプリングへの移行について検討し、離散プロセスと連続プロセスのギャップを埋めるための新たな洞察を提供する。
  論文  参考訳（メタデータ） (2023-12-14T18:14:11Z)
• Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
  量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。 提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
  論文  参考訳（メタデータ） (2023-12-03T05:52:30Z)
• One More Step: A Versatile Plug-and-Play Module for Rectifying Diffusion Schedule Flaws and Enhancing Low-Frequency Controls [77.42510898755037]
  One More Step (OMS) は、推論中に単純だが効果的なステップを付加したコンパクトネットワークである。 OMSは画像の忠実度を高め、トレーニングと推論の二分法を調和させ、元のモデルパラメータを保存する。 トレーニングが完了すると、同じ潜在ドメインを持つ様々な事前訓練された拡散モデルが同じOMSモジュールを共有することができる。
  論文  参考訳（メタデータ） (2023-11-27T12:02:42Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)

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。