論文の概要: Context-Integrated Adversarial Learning for Predictive Modelling of Stock Price Dynamics

• arxiv url: http://arxiv.org/abs/2604.22801v1
• Date: Mon, 13 Apr 2026 18:51:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:14.192884
• Title: Context-Integrated Adversarial Learning for Predictive Modelling of Stock Price Dynamics
• Title（参考訳）: 株価変動予測モデルのための文脈独立型逆学習
• Authors: Alexis Lazanas, Spyros Christodoulou, Spyridon Karpouzis,
• Abstract要約: 本稿では,文脈に敏感な対人学習モデルを導入し,株価の予測を行う。 このアーキテクチャは、将来の価格変動をモデル化するために敵対的トレーニングを使用し、財務的なテキストデータから派生した文脈的感情特徴を取り入れている。 米国株式のサンプルを実験的に評価すると、提案手法が従来のARIMAおよびLSTMベースラインを様々な誤差の尺度で上回っていることが証明される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: It is a challenging task to forecast equity prices in fast moving financial markets as this becomes even more difficult when the predictive signal is based on non-homogeneous information channels. The classical statistical methods, especially the Autoregressive Integrated Moving Average (ARIMA) models, limit their analytical ability with the linear assumptions that prevent the modeling of complex temporal dynamics. In contrast, complex neural networks, including Long Short-Term Memory (LSTM) networks, are also skilled at capturing sequential interaction effects; they however tend to collapse in the face of abrupt shifts in volatility and changing distributions. In this paper we introduce a context-sensitive adversarial learning model to predict equity prices in this work, which is synthesized distribution-based generative modelling with sentiment-based auxiliary information obtained through Natural Language Processing (NLP). The architecture uses adversarial training to model future price movements and incorporates contextual sentiment features derived using financial textual data. Through a collective utilization of quantitative market indicators along with the additional contextual cues, the framework hopes to enhance the reliability of forecasts during the periods of increased volatility and regime change. Empirical evaluation of a sample of U.S. equities testifies that the presented approach outperforms the traditional ARIMA and LSTM baselines in a range of measures of error. These findings imply that context-sensitive adversarial paradigm is an effective instrument of enhancing stock price prediction effectiveness in complex financial environments characterized by uncertainty and structural changes.
• Abstract（参考訳）: 非均質な情報チャネルをベースとした予測信号の発行がさらに困難になるため、急速に変化する金融市場の株価を予測することは難しい課題である。 古典的な統計手法、特に自己回帰統合移動平均(ARIMA)モデルは、複雑な時間力学のモデリングを妨げる線形仮定で解析能力を制限している。 対照的に、LSTM(Long Short-Term Memory)ネットワークを含む複雑なニューラルネットワークは、シーケンシャルな相互作用効果を捉えるのに熟練している。 本稿では,自然言語処理(NLP)により得られた感情に基づく補助情報を用いた分布ベース生成モデルを用いて,文脈依存型逆学習モデルを提案する。 このアーキテクチャは、将来の価格変動をモデル化するために敵対的トレーニングを使用し、財務テキストデータから派生した文脈的感情特徴を取り入れている。 この枠組みは、定量的市場指標の総合的活用と追加の文脈的手がかりを通じて、ボラティリティと政権交代の期間における予測の信頼性を高めることを目標としている。 米国株式のサンプルを実験的に評価すると、提案手法が従来のARIMAおよびLSTMベースラインを様々な誤差の尺度で上回っていることが証明される。 これらの結果は,不確実性や構造的変化を特徴とする複雑な金融環境における株価予測の有効性を高める手段として,文脈に敏感な対立パラダイムが有効であることを示している。

関連論文リスト

• Regime-aware financial volatility forecasting via in-context learning [19.089657251243196]
  本研究は,非定常市場条件下での金融ボラティリティ予測に大規模言語モデル(LLM)を活用する,レシック・アウェア・イン・コンテキスト・ラーニング・フレームワークを導入する。 複数の財務データセットを用いた実験により、提案手法は古典的ボラティリティ予測手法と直接単発学習の両方、特に高ボラティリティ期間において優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2026-03-11T00:47:27Z)
• ASTIF: Adaptive Semantic-Temporal Integration for Cryptocurrency Price Forecasting [6.12055122337183]
  ASTIFは、信頼性に基づくメタ学習を通じて予測戦略をリアルタイムで適応するハイブリッドインテリジェントシステムである。 信頼を意識したメタラーナーは適応推論層として機能し、そのリアルタイム不確実性に基づいて各予測子の寄与を調節する。 この研究は、非定常環境における定量的および定性的データを融合するためのスケーラブルで知識に基づくソリューションに貢献している。
  論文  参考訳（メタデータ） (2025-12-21T09:17:36Z)
• Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
  コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。 シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。 マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T04:48:49Z)
• Cross-Modal Temporal Fusion for Financial Market Forecasting [3.0756278306759635]
  我々は、市場予測を改善するために、構造化および非構造化の財務データを融合するトランスフォーマーベースのディープラーニングフレームワークであるCross-Modal Temporal Fusion (CMTF)を導入する。 FTSE 100 ストックデータを用いた実験結果から,CMTF は古典的および深層学習ベースラインと比較して,価格方向分類において優れた性能を示した。
  論文  参考訳（メタデータ） (2025-04-18T07:20:18Z)
• Generative Market Equilibrium Models with Stable Adversarial Learning via Reinforcement [10.35300946640037]
  我々は、最小限のモデリング仮定の下で、継続的金融市場均衡を解くための一般的な計算フレームワークを提案する。 GAN(Generative Adversarial Network)に触発された本手法では,新たな生成的深層強化学習フレームワークを採用する。 我々のアルゴリズムは、学習するだけでなく、市場参加者の内在的な取引行動から資産の返却とボラティリティがどのように出現するかを検証可能な予測も提供する。
  論文  参考訳（メタデータ） (2025-04-05T23:29:46Z)
• An Advanced Ensemble Deep Learning Framework for Stock Price Prediction Using VAE, Transformer, and LSTM Model [4.097563258332958]
  本研究では,3つの先進ニューラルネットワークアーキテクチャを組み合わせることで,株価予測のための最先端の深層学習フレームワークを提案する。 このフレームワークは豊富な技術的指標を使用し、現在の市場状況に基づいて予測器をスケールする。 金融専門家や学者にとって、アルゴリズム取引、リスク分析、制御と意思決定に非常に重要な応用がある。
  論文  参考訳（メタデータ） (2025-03-28T07:20:40Z)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges [55.2480439325792]
  本稿では,時系列予測や資産価格の急上昇の予測に特化して,新たな大規模言語モデル(LLM)アーキテクチャであるBreakGPTを紹介する。 我々は、最小限のトレーニングで財務予測を行うための有望なソリューションとしてBreakGPTを紹介し、局所的およびグローバルな時間的依存関係をキャプチャする強力な競合相手として紹介する。
  論文  参考訳（メタデータ） (2024-11-09T05:40:32Z)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [48.87381259980254]
  我々は、ChatGPTのような大規模言語モデル(LLM)が、直接の金融トレーニングなしでニュースの見出しから株式市場の反応を予測する能力について文書化している。 GPT-4は、認識後カットオフの見出しを使って、最初の市場の反応を捉え、取引不能な初期反応に対して、ポートフォリオの1日当たりのヒット率を約90%達成している。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)
• 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。