論文の概要: Kalimati Vegetable Price Index Forecasting with a Momentum Corrected Online Stacking Ensemble

• arxiv url: http://arxiv.org/abs/2605.30720v1
• Date: Fri, 29 May 2026 01:25:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.326322
• Title: Kalimati Vegetable Price Index Forecasting with a Momentum Corrected Online Stacking Ensemble
• Title（参考訳）: モメンタム補正オンライン・スタックング・アンサンブルを用いたカリマティ野菜価格指数予測
• Abstract要約: Kalimati Vegetable Price Indexは10年以上にわたってKathmanduから毎日135品目を集めている(2013-2023) 祭りのリードラグ効果、ローリング統計、カレンダー変数など、64の因果的有効機能の豊富なセットが開発された。 統計的,木ベース,ディープラーニング,ハイブリッド,トランスフォーマーアーキテクチャにまたがる14の予測モデルを厳格に評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Forecasting agricultural commodity prices in emerging economies is difficult due to high volatility, frequent supply disruptions, and strong cultural influences on demand. This study introduces the Kalimati Vegetable Price Index (KVPI), a new inverse-volatility weighted composite index that aggregates 135 daily wholesale commodities from Kathmandu over ten years (2013-2023). By creating a stable macro-level signal, the KVPI reduces the noise inherent in modelling individual crops. A rich set of 64 causally valid features was developed, including festival lead-lag effects, rolling statistics, and calendar variables. Fourteen forecasting models spanning statistical, tree-based, deep learning, hybrid, and transformer architectures were rigorously evaluated across short (7-day), medium (14- and 30-day), and long-term (90-day) horizons. Tree-based ensembles proved notably robust, while classical statistical models and complex transformers struggled with the noisy dataset. The proposed Momentum-Corrected Online Stacking Ensemble achieved the strongest performance, yielding a Root Mean Square Error (RMSE) of 1.771, an exceptionally low Mean Absolute Percentage Error (MAPE) of 0.68%, and explaining 84.5% of the variance (R-squared = 0.845) at the 90-day horizon. This open-source pipeline provides policymakers and supply chain actors in Nepal and similar markets with a practical, reliable tool for anticipating price movements and strengthening food security.
• Abstract（参考訳）: 新興国における農産物価格の予測は、高いボラティリティ、頻繁な供給の混乱、需要に対する文化的影響により困難である。 本研究では,KVPI(Klimati Vegetable Price Index)を導入した。KVPIは,カトマンズ(2013-2023)の1日135品目の商品を10年以上にわたって蓄積する,新しい逆ボラティリティー重み付き複合指数である。 安定なマクロレベル信号を生成することで、KVPIは個々の作物をモデル化する際のノイズを低減する。 祭りのリードラグ効果、ローリング統計、カレンダー変数など、64の因果的有効機能の豊富なセットが開発された。 統計,ツリーベース,ディープラーニング,ハイブリッド,トランスフォーマーアーキテクチャを対象とする14の予測モデルは,短期(7日),中(14日,30日),長期(90日)の地平線にわたって厳密に評価された。 木に基づくアンサンブルは明らかに頑丈であり、古典的な統計モデルと複雑なトランスフォーマーはノイズの多いデータセットに苦しんだ。 提案されたMomentum-Corrected Online Stacking Ensembleは、Root Mean Square Error (RMSE) が1.771で、平均絶対誤差 (MAPE) が0.68%で、90日間の地平線で84.5%のばらつき (R-squared = 0.845) を説明した。 このオープンソースのパイプラインは、ネパールなどの市場で政策立案者やサプライチェーンのアクターに、価格変動を予測し、食品の安全性を強化するための実用的で信頼性の高いツールを提供する。

関連論文リスト

• Tabular Deep Learning for Algorithmic Trading: Cross-Regime Bayesian Optimisation for Equity Signal Generation [0.0]
  5つのモデルクラスは、11年間で約300の米国株式から毎日の観測に基づいて訓練されている。 XGBoostとTabNetをランクアグリゲーションで組み合わせると、毎年51.26%のリターンを持つハイブリッドアンサンブルが生成される。 ほぼゼロに近いベータでは、このパフォーマンスは市場への露出ではなく、株価の選択によるものであることを示している。
  論文  参考訳（メタデータ） (2026-08-27T13:01:32Z)
• DecoVAE: a Lightweight Interpretable Trend-Seasonal VAE Framework for Efficient Probabilistic Time Series Forecasting [43.38565681834944]
  我々は、軽量な解釈可能なトレンドシーズンVAEフレームワークであるDecoVAEを提案する。 時系列を傾向と季節成分に分解し、ドメイン固有の帰納バイアスを適用する。 7つの実世界のベンチマークにおいて、一貫して強力なベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-08-20T13:51:07Z)
• Federated Ensemble Forecasting Under Supply-Chain Market Volatility [0.0]
  サプライチェーン予測システムは、市場ショック、特定されていない地域需要、商業データの集中化への限定的な意志の下で、ますます運用されている。 本研究は,クライアントノード間の予測専門家を訓練し,冗長なモデルエラーを回避する分散手法であるFederated Ensemble Forecasting with Negative-Correlation Learning (FEF NCL)を提案する。 このフレームワークは、時間的特徴エンコーダ、クライアントレベルのドリフトスコアリング、信頼性の高い集約、および各予測に最も責任のある市場およびサプライヤー変数を公開する説明能力レイヤを組み合わせる。
  論文  参考訳（メタデータ） (2026-08-05T20:15:41Z)
• When Prices Double in a Week: Forecasting of Agricultural Volatility in Import-Isolated Markets [1.5164041225909122]
  スリランカの野菜の価格は非常に不安定である。 本研究では,サプライチェーンを意識した特徴を組み込むことで,このような変動を予測する機械学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-06-28T07:30:47Z)
• Beyond False Stability: High-Noise Drift Gating for Test-Time Adversarial Defenses in Vision-Language Models [37.24612885977265]
  CLIPのような視覚言語モデル(VLM)は、強いゼロショットの一般化を示すが、敵攻撃に対して非常に脆弱である。 最近のアプローチでは、CLIPの視覚的表現が摂動にどのように反応するかを利用する。 軽量ゲーティング信号として高雑音特徴ドリフトを用いた学習自由なプラグインドリフトゲート機構を提案する。
  論文  参考訳（メタデータ） (2026-06-02T14:49:04Z)
• Differentiable latent structure discovery for interpretable forecasting in clinical time series [38.473526928012724]
  連続時間多タスクガウス過程であるStructGPを導入し, 基本的不確かさを保ちながら, 相違構造学習と相違構造学習を組み合わせ, 相互依存の有向非巡回グラフ(DAG)を導出する。 LP-StructGPは,被験者特異的カップリングフィルタとソフトマックスゲーティング機構を用いて,患者間の進行パターンを捉えることで,StructGPを潜在経路に分割し,時間的に変化する軌跡を増大させる。
  論文  参考訳（メタデータ） (2026-04-30T14:59:50Z)
• A Benchmark of Classical and Deep Learning Models for Agricultural Commodity Price Forecasting on A Novel Bangladeshi Market Price Dataset [1.9635288496224899]
  AgriBDはバングラデシュの5つの商品の1日あたりの小売価格は1,779ドルである。 古典的モデルとディープラーニングアーキテクチャにまたがる7つの予測手法を評価する。 すべてのコード、モデル、データは公開され、レプリケーションと将来の予測研究をサポートする。
  論文  参考訳（メタデータ） (2026-03-27T20:21:52Z)
• Hybrid Hidden Markov Model for Modeling Equity Excess Growth Rate Dynamics: A Discrete-State Approach with Jump-Diffusion [0.0]
  パラメトリックモデルから深層生成ネットワークへの既存のアプローチは、重み付き分布、無視可能な線形自己相関、永続的なボラティリティクラスタリングを同時に再現するのに苦労している。 本稿では,連続的過剰成長率をLaplacequantile-defined market stateに離散化するハイブリッド隠れマルコフフレームワークを提案する。 パラメータは直接遷移カウントによって推定され、Baum-Welch EMアルゴリズムをバイパスする。
  論文  参考訳（メタデータ） (2026-03-10T20:06:53Z)
• Stock Market Prediction Using Node Transformer Architecture Integrated with BERT Sentiment Analysis [1.2362187555287152]
  本稿では,ノードトランスアーキテクチャとBERTに基づく感情分析を組み合わせた株価予測フレームワークを提案する。 提案モデルは,個々の株式がノードを形成し,エッジが関係をキャプチャするグラフ構造として,株式市場を表現している。 1982年1月から2025年3月までの20株のS&P500株に対する実験では、統合モデルが平均絶対パーセンテージ誤差(MAPE)を1日の予測で0.80%達成していることが示されている。
  論文  参考訳（メタデータ） (2026-03-06T05:15:22Z)
• ReLE: A Scalable System and Structured Benchmark for Diagnosing Capability Anisotropy in Chinese LLMs [37.23311145049677]
  本稿では,機能異方性(Capability Anisotropy)を診断するためのスケーラブルなシステムであるReLEを提案する。 我々は,207,843サンプルからなる領域$times$ Capability SymbolicMatrixの304モデルを評価した。
  論文  参考訳（メタデータ） (2026-01-24T09:57:59Z)
• Reinforcement Learning from Probabilistic Forecasts for Safe Decision-Making via Conditional Value-at-Risk Planning [41.52380204321823]
  本稿では,ベイズ予測,後方サンプリング強化学習,計画とを結合した統一的枠組みである不確実性認識マルコフ決定プロセス(UAMDP)を提案する。 構造的不確実性と経済のボラティリティを特徴とする2つのドメインの高頻度株式取引と小売在庫管理において,UAMDPを評価した。
  論文  参考訳（メタデータ） (2025-10-09T13:46:32Z)
• Forking-Sequences [33.62694927994466]
  精度の高いモデルでさえ、予測作成日の間に不規則な修正を発生させることができる。 MQCNN、MQT、SPADEといったモデルは、あまり知られていないが、非常に効果的なテクニックであるフォークシーケンスを採用しています。 フォーキングシーケンスの利点として, (i) より安定かつ一貫した勾配更新, (ii) アンサンブルによる予測分散の低減, (iii) 推論効率の向上, の3つを挙げる。
  論文  参考訳（メタデータ） (2025-10-06T04:51:06Z)
• Forecasting Commodity Price Shocks Using Temporal and Semantic Fusion of Prices Signals and Agentic Generative AI Extracted Economic News [2.5165775267615205]
  本稿では、歴史的商品価格データと世界経済ニュースから派生した意味的信号を組み合わせたハイブリッド予測フレームワークを提案する。 このアーキテクチャは、二ストリーム長短期記憶(LSTM)ネットワークとアテンション機構を統合し、セマンティックに埋め込み、ファクトチェックされたニュース要約で構造化された時系列入力を融合する。 その結果,提案手法は平均AUCが0.94で,総合精度0.91が従来のベースラインを大幅に上回っていることがわかった。
  論文  参考訳（メタデータ） (2025-07-24T20:52:47Z)
• A Stock Price Prediction Approach Based on Time Series Decomposition and Multi-Scale CNN using OHLCT Images [8.073306549051802]
  本稿では,中国Aシェア市場の株価変動を予測するために,Sequence-based Multi-scale Fusion Regression Convolutional Neural Network (SMSFR-CNN) という新しい手法を提案する。 CNNを利用して逐次的特徴を学習し、それらを画像特徴と組み合わせることで、Aシェア市場株価データセットにおける株価トレンド予測の精度を向上させる。
  論文  参考訳（メタデータ） (2024-10-25T03:50:54Z)
• Multivariate Probabilistic Forecasting of Intraday Electricity Prices using Normalizing Flows [62.997667081978825]
  ドイツでは、日内電気価格は通常、EPEXスポット市場の1日当たりの価格に異なる時間帯で変動する。 本研究は,日頭契約の日内価格差をモデル化する確率論的モデリング手法を提案する。
  論文  参考訳（メタデータ） (2022-05-27T08:38:20Z)
• Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
  本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。 ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。 2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
  論文  参考訳（メタデータ） (2021-09-14T18:50:38Z)

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。