論文の概要: Multivariate Financial Forecasting using the Chronos Time Series Foundation Models

• arxiv url: http://arxiv.org/abs/2605.21504v1
• Date: Fri, 08 May 2026 21:04:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 12:34:33.993017
• Title: Multivariate Financial Forecasting using the Chronos Time Series Foundation Models
• Title（参考訳）: クロノス時系列基礎モデルを用いた多変量財務予測
• Authors: Sanjiv R Das, Taranag Goyal, Mohini Yadav,
• Abstract要約: クロノス2を用いて、経済・財政予測のための事前訓練された時系列モデルを評価する。 データセット全体にわたって、MV予測は一貫してUV予測を上回っている。 株価と金利市場での時系列の混合は、予測精度を低下させる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Using Chronos-2, an open-source time-series foundation model, we evaluate pretrained time-series models for economic and financial forecasting with an emphasis on whether multivariate (MV) inputs improve accuracy relative to univariate (UV) baselines. The study covers two panels -- the Magnificent-7 equities and U.S. Treasury interest rates -- as well as a combined panel, using rolling monthly evaluations from 2000--2025. We vary input window lengths and forecast horizons and report RMSE and MAPE. Across datasets, MV forecasts consistently outperform UV forecasts, with especially strong gains for interest rates and meaningful improvements for equities. Series-level comparisons show MV improvements in every case, and error dispersion is generally lower under MV inputs. We also provide parameter-heatmap and time-series visualizations. However, mixing time series across equity and interest rate markets reduces forecast accuracy, indicating that adding noisy context degrades model performance. Overall, the results indicate that foundation models can leverage cross-series information to improve forecast accuracy in finance, and that the benefits are strongest when related series are modeled jointly under disciplined rolling protocols. Other than using an open-source foundation model, this paper also showcases how AI may be used for financial research.
• Abstract（参考訳）: オープンソースの時系列基盤モデルであるChronos-2を用いて,多変量(MV)入力が単変量(UV)ベースラインに対して精度を向上させるか否かに着目し,経済・財務予測のための事前訓練された時系列モデルを評価する。 同調査は2000年から2025年にかけての月次評価で、マグニフィセント7指数と米国債利上げの2つのパネルと、組み合わせたパネルをカバーしている。 入力窓の長さや予測地平線が異なり、RMSEとMAPEが報告される。 データセット全体を通じて、MV予測は一貫してUV予測を上回っており、特に金利の上昇と株式の有意義な改善が寄与している。 シリーズレベルの比較では、全てのケースでMVの改善が見られ、エラー分散は一般的にMV入力より低い。 パラメータ・ヒートマップや時系列の可視化も提供しています。 しかし、株価と金利市場を合わせた時系列の混合は予測精度を低下させ、ノイズの多いコンテキストを追加することでモデルの性能が低下することを示す。 その結果, ファンデーションモデルでは, クロスシリーズ情報を利用してファイナンスにおける予測精度を向上させることができ, 関連シリーズが規律付きローリングプロトコルの下で共同でモデル化された場合のメリットが最強であることが示唆された。 オープンソースファウンデーションモデルを使用する以外に、この論文は、AIが金融研究にどのように使われるかを示す。

関連論文リスト

• Trend-Adjusted Time Series Models with an Application to Gold Price Forecasting [0.0]
  時系列データは金融、医療、マーケティング、エンジニアリングなど様々な分野で重要な役割を果たしている。 本稿では,予測された傾向に基づいて予測値を調整するTATSモデルを提案する。
  論文  参考訳（メタデータ） (2026-01-19T04:09:53Z)
• Deep Learning-Based Financial Time Series Forecasting via Sliding Window and Variational Mode Decomposition [0.0]
  歴史的株価と関連する市場指標がデータセットの構築に使用される。 VMDは、非定常財務時系列をスムーズなサブコンポーネントに分解し、モデル適応性を改善する。 本研究は,VMD処理シーケンスでトレーニングしたLSTMモデルの予測効果と生の時系列を用いた予測効果を比較し,性能と安定性を実証する。
  論文  参考訳（メタデータ） (2025-08-18T01:56:31Z)
• Time Series Foundation Models for Multivariate Financial Time Series Forecasting [0.0]
  Time Series Foundation Models (TSFMs) は、様々な時系列コーパスの事前トレーニングを通じて、有望なソリューションを提供する。 本研究は、米国10年債利回りの変化、EUR/USDのボラティリティ、株式拡散予測の3つの財務予測タスクにまたがる2つのTSFMを評価する。
  論文  参考訳（メタデータ） (2025-07-09T21:43:06Z)
• When Does Multimodality Lead to Better Time Series Forecasting? [96.26052272121615]
  このようなマルチモーダルな統合が常に利益をもたらすかどうか、どのような条件で検討する。 その結果,マルチモーダリティの利点は条件に依存していることが判明した。 我々の研究は、マルチモーダリティが予測タスクに役立つことをいつ予測できるかを理解するための厳密で定量的な基礎を提供する。
  論文  参考訳（メタデータ） (2025-06-20T23:55:56Z)
• 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)
• Learning Graph Structures and Uncertainty for Accurate and Calibrated Time-series Forecasting [65.40983982856056]
  本稿では,時系列間の相関を利用して時系列間の構造を学習し,精度の高い正確な予測を行うSTOICを紹介する。 幅広いベンチマークデータセットに対して、STOICは16%の精度とキャリブレーションのよい予測を提供する。
  論文  参考訳（メタデータ） (2024-07-02T20:14:32Z)
• Rating Multi-Modal Time-Series Forecasting Models (MM-TSFM) for Robustness Through a Causal Lens [10.103561529332184]
  ノイズや不正なデータによる不正確さが誤った予測につながるような,マルチモーダルな時系列予測に重点を置いている。 本稿では,マルチモーダル時系列予測モデルのロバスト性を評価するための評価手法を提案する。
  論文  参考訳（メタデータ） (2024-06-12T17:39:16Z)
• Learning Informative Representation for Fairness-aware Multivariate Time-series Forecasting: A Group-based Perspective [50.093280002375984]
  多変量時系列予測モデル(MTS)では変数間の性能不公平性が広く存在する。 フェアネスを意識したMTS予測のための新しいフレームワークであるFairForを提案する。
  論文  参考訳（メタデータ） (2023-01-27T04:54:12Z)
• 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)
• Gaussian process imputation of multiple financial series [71.08576457371433]
  金融指標、株価、為替レートなどの複数の時系列は、市場が潜んでいる状態に依存しているため、強く結びついている。 金融時系列間の関係を多出力ガウスプロセスでモデル化することで学習することに注力する。
  論文  参考訳（メタデータ） (2020-02-11T19:18:18Z)

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。