論文の概要: Synthetic data in cryptocurrencies using generative models

• arxiv url: http://arxiv.org/abs/2604.16182v1
• Date: Fri, 17 Apr 2026 15:48:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.988145
• Title: Synthetic data in cryptocurrencies using generative models
• Title（参考訳）: 生成モデルを用いた暗号における合成データ
• Authors: André Saimon S. Sousa, Otto Pires, Frank Acasiete, Oscar M. Granados, Valéria Loureiro da Silva, Hugo Saba,
• Abstract要約: 本研究では,暗号通貨価格時系列に適用した条件付き合成データを生成するためのディープラーニング手法を提案する。 この手法はジェネレーティブ・アディバーショナル・ネットワーク(CGAN)に基づいており、LSTM型リカレント・ジェネレータとアンバーサ・ディミネータを組み合わせて統計的に一貫した合成データを生成する。 GANによる合成系列の生成は、市場行動分析や異常検出などの応用の可能性を示す、財務データをシミュレーションする効率的な代替手段である。
• 参考スコア（独自算出の注目度）: 0.2257707034197163
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data plays a fundamental role in consolidating markets, services, and products in the digital financial ecosystem. However, the use of real data, especially in the financial context, can lead to privacy risks and access restrictions, affecting institutions, research, and modeling processes. Although not all financial datasets present such limitations, this work proposes the use of deep learning techniques for generating synthetic data applied to cryptocurrency price time series. The approach is based on Conditional Generative Adversarial Networks (CGANs), combining an LSTM-type recurrent generator and an MLP discriminator to produce statistically consistent synthetic data. The experiments consider different crypto-assets and demonstrate that the model is capable of reproducing relevant temporal patterns, preserving market trends and dynamics. The generation of synthetic series through GANs is an efficient alternative for simulating financial data, showing potential for applications such as market behavior analysis and anomaly detection, with lower computational cost compared to more complex generative approaches.
• Abstract（参考訳）: データはデジタル金融エコシステムにおける市場、サービス、製品の統合において基本的な役割を果たす。 しかし、実際のデータの使用は、特に金融の文脈において、プライバシー上のリスクやアクセス制限を引き起こし、機関、研究、モデリングプロセスに影響を与える可能性がある。 すべての金融データセットにはそのような制限があるわけではないが、この研究は暗号通貨価格時系列に適用された合成データを生成するためのディープラーニング技術の利用を提案する。 この手法は、LSTM型リカレントジェネレータとMLP判別器を組み合わせて統計的に一貫した合成データを生成する条件生成適応ネットワーク(CGAN)に基づいている。 実験では、異なる暗号セットを考慮し、関連する時間パターンを再現し、市場のトレンドとダイナミクスを保存することができることを示した。 GANによる合成系列の生成は、より複雑な生成アプローチに比べて計算コストの低い市場行動分析や異常検出などの応用の可能性を示す、財務データをシミュレーションする効率的な代替手段である。

関連論文リスト

• Deep Generative Models for Synthetic Financial Data: Applications to Portfolio and Risk Modeling [0.0]
  シンセティック・ファイナンス・データ(英語版)は、量的ファイナンスにおける経験的な研究をしばしば制限するプライバシー、アクセシビリティ、課題に対する実践的な解決策を提供する。 本稿では,時系列生成支援ネットワーク(TimeGAN)と変分オートエンコーダ(VAE)を用いて,リアルな合成金融リターン生成を行う。
  論文  参考訳（メタデータ） (2025-12-25T22:28:32Z)
• New Money: A Systematic Review of Synthetic Data Generation for Finance [0.0874967598360817]
  合成データ生成は、機械学習アプリケーションでセンシティブな財務データを使用する際の課題に対処するための、有望なアプローチである。 プライバシのリスクと規制の制約を緩和しながら、実際の財務記録の統計特性を保存する人工データセットを作成することができる。 この体系的なレビューは、合成財務データ生成に焦点を当てた2018年以降に発表された72の研究を統合し、分析する。
  論文  参考訳（メタデータ） (2025-10-30T02:21:59Z)
• Improving the Generation and Evaluation of Synthetic Data for Downstream Medical Causal Inference [89.5628648718851]
  因果推論は医療介入の開発と評価に不可欠である。 現実の医療データセットは、規制障壁のためアクセスが難しいことが多い。 本稿では,医学における治療効果分析のための新しい合成データ生成法STEAMを提案する。
  論文  参考訳（メタデータ） (2025-10-21T16:16:00Z)
• Generative Models for Synthetic Data: Transforming Data Mining in the GenAI Era [49.46005489386284]
  このチュートリアルでは、合成データ生成の基礎と最新の進歩を紹介する。 Atendeesは、生成的合成データを活用してデータマイニングの研究と実践を強化する、実用的な洞察を得る。
  論文  参考訳（メタデータ） (2025-08-27T05:04:07Z)
• Valid Inference with Imperfect Synthetic Data [39.10587411316875]
  モーメントの一般化法に基づく新しい推定器を提案する。 合成データのモーメント残差と実データのモーメント間の相互作用は、対象パラメータの推定を大幅に改善できることがわかった。
  論文  参考訳（メタデータ） (2025-08-08T18:32:52Z)
• Reimagining Synthetic Tabular Data Generation through Data-Centric AI: A Comprehensive Benchmark [56.8042116967334]
  合成データは、機械学習モデルのトレーニングの代替となる。 合成データが現実世界データの複雑なニュアンスを反映することを保証することは、難しい作業です。 本稿では,データ中心型AI技術の統合による合成データ生成プロセスのガイドの可能性について検討する。
  論文  参考訳（メタデータ） (2023-10-25T20:32:02Z)
• FinDiff: Diffusion Models for Financial Tabular Data Generation [5.824064631226058]
  FinDiffは、さまざまな規制下流タスクのための現実世界の財務データを生成するために設計された拡散モデルである。 3つの実世界の財務データセットを用いて、最先端のベースラインモデルに対して評価される。
  論文  参考訳（メタデータ） (2023-09-04T09:30:15Z)
• TSGM: A Flexible Framework for Generative Modeling of Synthetic Time Series [61.436361263605114]
  時系列データは、研究者と産業組織間のデータの共有を妨げるため、しばしば不足または非常に敏感である。 本稿では,合成時系列の生成モデリングのためのオープンソースフレームワークである時系列生成モデリング(TSGM)を紹介する。
  論文  参考訳（メタデータ） (2023-05-19T10:11:21Z)
• Deep Learning Based on Generative Adversarial and Convolutional Neural Networks for Financial Time Series Predictions [0.0]
  本稿では、双方向長短期記憶(LSTM)と畳み込みニューラルネットワーク(CNN)により構成されるGAN(generative adversarial Network)の実装を提案する。 Bi-LSTM-CNNは、既存の実際の財務データと一致する合成データを生成するため、株価の将来動向を予測するために、正または負の傾向を持つ株の特徴を保持することができる。
  論文  参考訳（メタデータ） (2020-08-08T08:42:46Z)

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。