論文の概要: Sequential Structure in Intraday Futures Data: LSTM vs Gradient Boosting on MNQ

• arxiv url: http://arxiv.org/abs/2605.17724v1
• Date: Mon, 18 May 2026 01:03:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:48.500235
• Title: Sequential Structure in Intraday Futures Data: LSTM vs Gradient Boosting on MNQ
• Title（参考訳）: 日内データにおける時系列構造:MNQにおけるLSTM対グラディエントブースティング
• Authors: Mathias Mesfin,
• Abstract要約: 5分間のOHLCVバーシーケンスが、単一の楽器データセットのスケールで、活用可能な逐次予測構造を含むかどうかを検証した。 2021-2025年から944日間の取引日を用いて、4つのモデル構成を厳密な伸縮式ウォーキングフォワード検証の下で評価した。 51.8%のベースレートよりも統計的に重要なサンプル外精度を生み出す構成は存在しない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper compares gradient boosting and long short-term memory (LSTM) architectures for intraday directional prediction in Micro E-Mini Nasdaq 100 futures (MNQ). Motivated by recent foundation-model research on financial candlestick data, including the Kronos architecture, we test whether five-minute OHLCV bar sequences contain exploitable sequential predictive structure at the scale of a single instrument dataset. Using 944 trading days from 2021-2025, four model configurations are evaluated under strict expanding-window walk-forward validation across three out-of-sample periods. The target variable is whether the session close exceeds the 10:30 AM open by more than ten points. No configuration produces statistically significant out-of-sample accuracy above the 51.8% base rate. Combined OOS accuracies range from 50.00% to 50.89% across gradient boosting variants, while the LSTM achieves 50.59%. Permutation tests yield p-values of 0.135 for the best gradient boosting model and 0.515 for the LSTM, indicating no statistically significant predictive edge. Feature importance instability across walk-forward folds suggests noise fitting rather than stable structural signal capture. The results indicate that four years of single-instrument five-minute OHLCV data are insufficient for reliable sequential ML-based intraday forecasting. The primary contribution is a documented evaluation of a Kronos-inspired architecture on a constrained real-world dataset, providing an empirical lower bound on data scale requirements for sequential financial ML.
• Abstract（参考訳）: 本稿では,Micro E-Mini Nasdaq 100 Futures (MNQ) における日内方向予測のための勾配向上と長期短期記憶(LSTM)アーキテクチャの比較を行った。 Kronosアーキテクチャを含む金融ロウソクスティックデータに関する最近の基礎モデル研究により、単一機器データセットの規模で5分間のOHLCVバーシーケンスが活用可能な逐次予測構造を含むかどうかを検証した。 2021年から2025年までの944日間の取引日を用いて,3回のアウトオブサンプル期間にわたって,厳密な風下歩行予測の下で4つのモデル構成を評価した。 ターゲット変数は、セッションクローズドが10点以上開いている10:30 AMを超えるかどうかである。 51.8%のベースレートよりも統計的に重要なサンプル外精度を生み出す構成は存在しない。 LSTMは50.59%を達成し、OOSアキュラシーは50.00%から50.89%である。 順応試験では, 最高の勾配上昇モデルでは0.135, LSTMでは0.515のp値が得られ, 統計的に有意な予測エッジは得られなかった。 ウォークフォワードの折り曲げにおける特徴的重要不安定性は、安定した構造信号キャプチャーよりもノイズフィッティングを示唆している。 その結果,4年間のシングルインストルメント5分間 OHLCV データは,ML を用いた日内予測に不十分であることが示唆された。 主要なコントリビューションは、制約付き実世界のデータセット上でKronosにインスパイアされたアーキテクチャを文書化した評価であり、シーケンシャル・ファイナンシャル・MLのデータスケール要求に対する経験的な低いバウンダリを提供する。

関連論文リスト

• Benchmarking Tabular Foundation Models for Conditional Density Estimation in Regression [2.4816602844974835]
  条件密度推定は、不均一性、多モード性、あるいは非対称不確実性の設定において必須である。 TabPFNやTabICLのようなテーブル基礎モデルは自然に予測分布を生成するが、汎用CDE手法としての有効性は体系的に評価されていない。 39の現実世界のデータセット上で、パラメトリック、ツリーベース、ニューラルCDEベースラインの多種多様なセットに対して、3つのモデル変種をベンチマークする。
  論文  参考訳（メタデータ） (2026-03-27T17:07:21Z)
• Multivariate time-series forecasting of ASTRI-Horn monitoring data: A Normal Behavior Model [29.749836788447226]
  この分析は、望遠鏡制御ユニットが2022年9月から2024年7月までに取得した15の物理変数に焦点を当てた。 このモデルは、異なる機能とI-T構成で一貫した結果を示した。 提案したNBMは,オンラインASTRI-Horn監視時系列における早期異常検出を可能にする強力なツールを提供する。
  論文  参考訳（メタデータ） (2026-02-23T15:51:50Z)
• Echo State Networks for Time Series Forecasting: Hyperparameter Sweep and Benchmarking [51.56484100374058]
  我々は、完全に自動で純粋にフィードバック駆動のESNが、広く使われている統計的予測手法の代替となるかどうかを評価する。 予測精度は、MASEとsMAPEを用いて測定され、ドリフトや季節予測、統計モデルといった単純なベンチマークと比較される。
  論文  参考訳（メタデータ） (2026-02-03T16:01:22Z)
• From Memorization to Creativity: LLM as a Designer of Novel Neural-Architectures [48.83701310501069]
  大規模言語モデル(LLM)は、プログラム合成において優れているが、ニューラルネットワーク設計(信頼性、性能、構造的ノベルティ)を自律的にナビゲートする能力は、未調査のままである。 コード指向LLMをクローズドループ合成フレームワークに配置し、22の教師付き微調整サイクルの進化を解析することによって、この問題に対処する。
  論文  参考訳（メタデータ） (2026-01-06T13:20:28Z)
• A Comprehensive Forecasting-Based Framework for Time Series Anomaly Detection: Benchmarking on the Numenta Anomaly Benchmark (NAB) [0.0]
  時系列異常検出は、現代のデジタルインフラにとって重要である。 本稿では,従来の手法をディープラーニングアーキテクチャと統合した予測ベースのフレームワークを提案する。 Numenta Anomaly Benchmark の最初の完全評価を行う。
  論文  参考訳（メタデータ） (2025-10-13T08:31:42Z)
• Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
  時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。 微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。 モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
  論文  参考訳（メタデータ） (2025-09-28T07:07:13Z)
• Benchmarking Federated Learning for Throughput Prediction in 5G Live Streaming Applications [5.026196568145574]
  本稿では,現実的な5Gエッジシナリオにおけるスループット予測のためのフェデレーション学習戦略の総合的なベンチマークを行う。 FedBNは、非IID条件下で一貫してロバストな性能を提供する。 LSTMとTransformerモデルは、CNNベースのベースラインを最大80%のR2スコアで上回る。
  論文  参考訳（メタデータ） (2025-08-11T21:27:40Z)
• Efficient Bayesian Learning Curve Extrapolation using Prior-Data Fitted Networks [44.294078238444996]
  本稿では、この文脈におけるPFN(preded-data fit Neural Network)の最初の応用について述べる。 我々は,LC-PFNがMCMCよりも後方予測分布を正確に近似できることを実証した。 また,同じLC-PFNが,20万個の実学習曲線を外挿する競合性能を実現することを示す。
  論文  参考訳（メタデータ） (2023-10-31T13:30:30Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Learning representations with end-to-end models for improved remaining useful life prognostics [64.80885001058572]
  残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。 マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。 提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
  論文  参考訳（メタデータ） (2021-04-11T16:45:18Z)

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。