論文の概要: Dynamic Forecasting and Temporal Feature Evolution of Stock Repurchases in Listed Companies Using Attention-Based Deep Temporal Networks

• arxiv url: http://arxiv.org/abs/2604.09650v1
• Date: Sun, 29 Mar 2026 14:03:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-19 19:09:11.599975
• Title: Dynamic Forecasting and Temporal Feature Evolution of Stock Repurchases in Listed Companies Using Attention-Based Deep Temporal Networks
• Title（参考訳）: 注意型ディープ・テンポラル・ネットワークを用いた上場企業における在庫買い戻しの動的予測と時間的特徴進化
• Authors: Xiang Ao, Jingxuan Zhang, Xinyu Zhao,
• Abstract要約: 株価買い戻しの正確な予測は、量的投資とリスク管理に不可欠である。 本稿では,経済理論と時間ネットワークを融合した動的早期警報システムを提案する。
• 参考スコア（独自算出の注目度）: 19.25335709626225
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurately predicting stock repurchases is crucial for quantitative investment and risk management, yet traditional static models fail to capture the complex temporal dependencies of corporate financial conditions. This paper proposes a dynamic early warning system integrating economic theory with deep temporal networks. Using Chinese A-share panel data (2014-2024), we employ a hybrid Temporal Convolutional Network (TCN) and Attention-based LSTM to capture long- and short-term financial evolutionary patterns. Rolling-window cross-validation demonstrates our model significantly outperforms static baselines like Logistic Regression and XGBoost. Furthermore, utilizing Explainable AI (XAI), we reveal the temporal dynamics of repurchase decisions: prolonged "undervaluation" serves as the long-term underlying motive, while a sharp increase in "cash flow" acts as the decisive short-term trigger. This study provides a robust deep learning paradigm for financial forecasting and offers dynamic empirical support for classic corporate finance hypotheses.
• Abstract（参考訳）: 株式買い戻しの正確な予測は、量的投資とリスク管理に不可欠であるが、従来の静的モデルは、企業財務状況の複雑な時間的依存関係を捉えていない。 本稿では,経済理論と時間ネットワークを融合した動的早期警報システムを提案する。 中国のAシェアパネルデータ(2014-2024)を用いて、長期的・短期的な金融進化パターンを捉えるために、TCN(Temporal Convolutional Network)とAttention-based LSTM(Attention-based LSTM)を組み合わせた。 ローリングウィンドウのクロスバリデーションは、ロジスティック回帰やXGBoostのような静的ベースラインを著しく上回ります。 さらに、説明可能なAI(XAI)を利用することで、リプレイス決定の時間的ダイナミクスを明らかにする。長期化"アンダー評価"が長期的な動機となり、"キャッシュフロー"の急激な増加が決定的な短期的引き金となる。 本研究は、財務予測のための堅牢な深層学習パラダイムを提供し、古典的企業財務仮説に対する動的実証的支援を提供する。

関連論文リスト

• Regression Models Meet Foundation Models: A Hybrid-AI Approach to Practical Electricity Price Forecasting [39.91788164419845]
  回帰に基づく予測を強化する新しいパラダイムであるFutureBoostingを提案する。 私たちはこのパラダイムを、電力価格予測のための軽量でプラグアンドプレイのフレームワークにインスタンス化します。 我々のフレームワークは、最先端のTSFMとレグレッションベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-03-06T02:06:46Z)
• 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)
• 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)
• Echo State Networks for Bitcoin Time Series Prediction [4.938209986258856]
  本研究では,Echo State Networks (ESNs) が短時間の株式市場の動きを効果的にモデル化し,動的データの非線形パターンを捉えることができることを示す。 また,カオス期におけるLyapunov指数によるカオス解析を行い,既存の機械学習手法よりも有意差があることを実証した。
  論文  参考訳（メタデータ） (2025-08-07T14:08:45Z)
• Investigating and Enhancing the Robustness of Large Multimodal Models Against Temporal Inconsistency [59.05753942719665]
  本稿では,モデルのロバスト性を評価するために,時間的ロバスト性ベンチマーク(TemRobBench)を提案する。 16のLMMを評価した結果,従来の知識やテキストの文脈に頼りすぎていることが判明した。 我々はパノラマ直接選好最適化(PanoDPO)を設計し、LMMが視覚的特徴と言語的特徴の両方を同時に取り入れることを奨励する。
  論文  参考訳（メタデータ） (2025-05-20T14:18:56Z)
• Financial Time-Series Forecasting: Towards Synergizing Performance And Interpretability Within a Hybrid Machine Learning Approach [2.0213537170294793]
  本稿では、ハイブリッド機械学習アルゴリズムの比較研究を行い、モデル解釈可能性の向上に活用する。 本稿では,金融時系列予測において出現する潜伏関係や複雑なパターンの発掘を目的とした,分解,自己相関関数,指数的三重予測など,時系列統計の事前処理技術に関する体系的な概要を述べる。
  論文  参考訳（メタデータ） (2023-12-31T16:38:32Z)
• Enhancing Financial Data Visualization for Investment Decision-Making [0.04096453902709291]
  本稿では,ストックダイナミクスを予測するLong Short-Term Memory(LSTM)ネットワークの可能性について検討する。 この研究は、複雑なパターンをキャプチャするLSTMの能力を高めるために、複数の特徴を取り入れている。 LSTMには25日間のタイムステップで重要な価格とボリューム特性が組み込まれている。
  論文  参考訳（メタデータ） (2023-12-09T07:53:25Z)
• 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)
• Multi-head Temporal Attention-Augmented Bilinear Network for Financial time series prediction [77.57991021445959]
  本稿では,時間的注意と多面的注意の考え方に基づいて,ニューラルネットワークの能力を拡張するニューラルネットワーク層を提案する。 本手法の有効性を,大規模書籍市場データを用いて検証した。
  論文  参考訳（メタデータ） (2022-01-14T14:02:19Z)
• Temporal-Relational Hypergraph Tri-Attention Networks for Stock Trend Prediction [45.74513775015998]
  本稿では、エンドツーエンドの株価トレンド予測のための協調的時間関係モデリングフレームワークを提案する。 新しいハイパーグラフトリアテンションネットワーク(HGTAN)が提案され,ハイパーグラフ畳み込みネットワークが拡張された。 このようにして、HGTANは、在庫間の情報伝達におけるノード、ハイパーエッジ、ハイパーグラフの重要性を適応的に決定する。
  論文  参考訳（メタデータ） (2021-07-22T02:16:09Z)
• Low-Rank Temporal Attention-Augmented Bilinear Network for financial time-series forecasting [93.73198973454944]
  ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。 近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。 本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
  論文  参考訳（メタデータ） (2021-07-05T10:15:23Z)

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。