論文の概要: Bi-Level Chaotic Fusion Based Graph Convolutional Network for Stock Market Prediction Interval

• arxiv url: http://arxiv.org/abs/2605.16324v1
• Date: Tue, 05 May 2026 05:06:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 12:34:33.886693
• Title: Bi-Level Chaotic Fusion Based Graph Convolutional Network for Stock Market Prediction Interval
• Title（参考訳）: 双方向カオス核融合に基づく株式市場予測のためのグラフ畳み込みネットワーク
• Authors: Eshwar Sai Kandimalla, Sravan Chowdary Kankanala, Sumana Bhimineni, Hem Sundhar Korukunda, Vivek Yelleti,
• Abstract要約: 金融市場の予測は本質的に不確実であるが、ほとんどのディープラーニングアプローチは不確実性のない単一見積もりに依存している。 この問題は予測間隔を用いて解くことができ、予測の不確実性と低い境界が得られる。 しかし、現在の手法は資産間の関係を無視したり、適切な校正シャープネスを確保することができない傾向にある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Financial market forecasting is inherently uncertain, yet most deep learning approaches rely on point predictions that provide only single-value estimates without quantifying uncertainty. Such predictions are insufficient for risk-aware decision-making, as they fail to capture the range of possible outcomes and the associated confidence of forecasts.The problem can be solved using prediction intervals, which allow obtaining an upper and lower bound for the prediction, thus enabling uncertainty representation in the model. Yet, the current methods tend to disregard relationships between assets or cannot simultaneously ensure good calibration and sharpness of the resulting intervals in dynamically changing market regimes. In our work, we propose a spatio-temporal graph-based approach with a bi-level chaotic fusion technique to solve this problem. Our model uses separate nonlinear transformation functions to estimate the interval center and width. Additionally, a volatility-aware gating mechanism is used to make predictions dependent on the regime in which the market operates. Temporal dependencies are considered by embedding graph structures and sequentially modeling them. Training is conducted according to a Lower-Upper Bound Estimation (LUBE) objective. Our experimental results show significant improvements compared to existing baselines (LSTM, GRU, GCN, HGNN) when applied to data from 2016 to 2026 with 43 leading companies in eight sectors of the NSE. It provides the lowest Winkler score (0.0778), tightest prediction intervals (PIAW = 0.1407), and highest coverage (PICP = 96.6%), with all differences statistically significant (p < 0.001) according to the Diebold-Mariano test.
• Abstract（参考訳）: 金融市場の予測は本質的に不確実であるが、ほとんどのディープラーニングアプローチは、不確実性を定量化せずに単一値の推定のみを提供する点予測に依存している。 このような予測は、予測の可能な結果の範囲と関連する信頼度を把握できないため、リスク認識による意思決定には不十分であり、予測の上下境界を得ることができるので、モデルにおける不確実性表現を可能にすることができる。 しかし、現在の手法は資産間の関係を無視する傾向にあり、動的に変化する市場体制において、結果として生じる間隔のキャリブレーションと鋭さを同時に確保できない傾向にある。 本研究では,この問題を解決するために,二段階カオス融合技術を用いた時空間グラフに基づく手法を提案する。 我々のモデルは、間隔中心と幅を推定するために別々の非線形変換関数を使用する。 さらに、ボラティリティを意識したゲーティング機構を使用して、市場が運営する体制に依存する予測を行う。 時間依存はグラフ構造を埋め込み、それらを逐次モデル化することによって考慮される。 訓練は、Low-Upper Bound Estimation (LUBE) の目標に従って行われる。 実験の結果,2016年から2026年までの8部門43社を対象に,既存のベースライン(LSTM, GRU, GCN, HGNN)と比較して,有意な改善が見られた。 これは、最も低いウィンクラースコア(0.0778)、最も狭い予測間隔(PIAW = 0.1407)、最高カバレッジ(PICP = 96.6%)を提供する。

関連論文リスト

• Analyzing Uncertainty Quantification in Statistical and Deep Learning Models for Probabilistic Electricity Price Forecasting [0.0]
  本研究では,最先端統計・深層学習確率予測モデルにおける不確実性の定量化について検討する。 我々は、ディープ分散ニューラルネットワーク(DDNN)を考察し、それらをアンサンブルアプローチ、モンテカルロ(MC)ドロップアウト、共形予測で強化する。 様々な性能指標から、LEARベースのモデルは確率的予測において良好に機能することがわかった。
  論文  参考訳（メタデータ） (2025-09-23T15:20:03Z)
• Error-quantified Conformal Inference for Time Series [55.11926160774831]
  時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。 量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。 ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
  論文  参考訳（メタデータ） (2025-02-02T15:02:36Z)
• Error-Driven Uncertainty Aware Training [7.702016079410588]
  Error-Driven Uncertainty Aware Trainingは、ニューラル分類器が不確実性を正確に推定する能力を高めることを目的としている。 EUATアプローチは、モデルのトレーニングフェーズ中に、トレーニング例が正しく予測されているか、あるいは正しく予測されているかによって、2つの損失関数を選択的に使用することによって機能する。 画像認識領域における多様なニューラルモデルとデータセットを用いてEUATを評価する。
  論文  参考訳（メタデータ） (2024-05-02T11:48:14Z)
• Uncertainty Quantification over Graph with Conformalized Graph Neural Networks [52.20904874696597]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データに基づく強力な機械学習予測モデルである。 GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。 本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T21:38:23Z)
• A general framework for multi-step ahead adaptive conformal heteroscedastic time series forecasting [0.0]
  本稿では,適応アンサンブルバッチ多出力多出力共形量子化回帰(AEnbMIMOCQR)と呼ばれる新しいモデル非依存アルゴリズムを提案する。 これにより、予測者は、固定された特定された誤発見率に対して、分布のない方法で、複数段階の事前予測間隔を生成できる。 本手法は, 整合予測の原理に基づいているが, データの分割は不要であり, データの交換ができない場合でも, ほぼ正確なカバレッジを提供する。
  論文  参考訳（メタデータ） (2022-07-28T16:40:26Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Accurate Prediction and Uncertainty Estimation using Decoupled Prediction Interval Networks [0.0]
  精度を犠牲にすることなく、回帰に基づく予測の不確かさを確実に推定できるネットワークアーキテクチャを提案する。 予測と予測間隔(PI)推定の学習を2段階の学習プロセスに分解することで、これを実現する。 提案手法を,合成データセットおよびUCIベンチマーク上での最先端不確実性定量化アルゴリズムと比較し,予測誤差を23～34%削減した。
  論文  参考訳（メタデータ） (2022-02-19T19:31:36Z)
• Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
  本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。 我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。 実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
  論文  参考訳（メタデータ） (2021-05-25T14:35:46Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。