論文の概要: Generating Financial Time Series by Matching Random Convolutional Features

• arxiv url: http://arxiv.org/abs/2606.05138v1
• Date: Wed, 03 Jun 2026 17:46:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.936271
• Title: Generating Financial Time Series by Matching Random Convolutional Features
• Title（参考訳）: ランダム畳み込み特徴のマッチングによる財務時系列の生成
• Authors: Konrad J. Mueller, Nikita Zozoulenko, Ben Wood, Thomas Cass, Lukas Gonon,
• Abstract要約: 我々は、生成時系列モデルのトレーニングに適した、完全に微分可能なランダム畳み込み特徴写像であるSOCK(SOft Competing Kernels)を紹介する。 ランダムなSOCK特徴のマッチングによって訓練されたジェネレータは、広範囲の小サンプル財務データセットにおいて、シグネチャと拡散ベースラインを一貫して上回っていることを示す。
• 参考スコア（独自算出の注目度）: 5.2456660446717915
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generating realistic financial time series is challenging as training data is often limited to a single historical path. With such scarce data, overfitting is hard to avoid, especially under adversarial training where a trained discriminator can memorize the training samples. To mitigate this, recent approaches train generators to minimize the discrepancy between untrained feature representations of real and generated time series. In these works, the feature maps are based on path signatures, which can fail to capture relevant time series properties at tractable truncation depths. In this work, we instead train generators by matching random convolutional features of real and generated time series. Existing random convolutional feature maps, such as Rocket and Hydra, have been shown to provide informative representations of real-world time series, but cannot supervise generative models because they are non-differentiable. We introduce SOCK (SOft Competing Kernels), a fully differentiable random convolutional feature map, suited to train generative time series models. We show that generators trained by matching random SOCK features consistently outperform signature and diffusion baselines across a wide range of small-sample financial datasets. We further demonstrate SOCK's expressiveness on two-sample hypothesis testing and time series classification tasks, where SOCK matches or outperforms existing unsupervised feature maps.
• Abstract（参考訳）: 実際の金融時系列の生成は、トレーニングデータが単一の歴史的パスに制限されることがしばしばあるため、困難である。 このような少ないデータでは、特に訓練された識別器がトレーニングサンプルを記憶できる敵の訓練では、過度な適合を避けることは困難である。 これを緩和するために、最近のアプローチでは、実時間と生成時系列の訓練されていない特徴表現の差を最小限に抑えるためにジェネレータを訓練している。 これらの作業では、特徴写像は経路シグネチャに基づいており、トラクタブル・トランケーションの深さで関連する時系列特性をキャプチャできない可能性がある。 そこで本研究では,実時間系列と実時間系列のランダムな畳み込み特徴とを一致させて生成者を訓練する。 ロケットやハイドラのような既存のランダムな畳み込み特徴写像は、実世界の時系列の情報表現を提供することが示されているが、それらが微分不可能であるため、生成モデルを監督することはできない。 我々は、生成時系列モデルのトレーニングに適した、完全に微分可能なランダム畳み込み特徴写像であるSOCK(SOft Competing Kernels)を紹介する。 ランダムなSOCK特徴のマッチングによって訓練されたジェネレータは、広範囲の小サンプル財務データセットにおいて、シグネチャと拡散ベースラインを一貫して上回っていることを示す。 さらに、2サンプル仮説テストと時系列分類タスクにおけるSOCKの表現性を示す。

関連論文リスト

• Sundial: A Family of Highly Capable Time Series Foundation Models [47.27032162475962]
  Sundialはネイティブでフレキシブルでスケーラブルな時系列基盤モデルのファミリーです。 我々のモデルは、事前の分布を指定せずに事前訓練されており、複数の確率予測を生成することができる。 Sundialは、ジャスト・イン・タイムの推論速度で、ポイントと確率予測ベンチマークの両方で最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-02-02T14:52:50Z)
• Moirai-MoE: Empowering Time Series Foundation Models with Sparse Mixture of Experts [103.725112190618]
  本稿では,単一入出力プロジェクション層を用いたMoirai-MoEを紹介するとともに,多種多様な時系列パターンのモデリングを専門家の疎結合に委ねる。 39のデータセットに対する大規模な実験は、既存の基盤モデルよりも、分配シナリオとゼロショットシナリオの両方において、Moirai-MoEの優位性を実証している。
  論文  参考訳（メタデータ） (2024-10-14T13:01:11Z)
• TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
  時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。 本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
  論文  参考訳（メタデータ） (2024-02-04T13:10:51Z)
• Explaining Time Series via Contrastive and Locally Sparse Perturbations [45.055327583283315]
  ContraLSPは、非形式的摂動を構築するために反事実サンプルを導入するスパースモデルである。 合成と実世界の両方のデータセットに関する実証研究は、ContraLSPが最先端のモデルより優れていることを示している。
  論文  参考訳（メタデータ） (2024-01-16T18:27:37Z)
• Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
  モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。 クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。 KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
  論文  参考訳（メタデータ） (2023-10-04T07:14:43Z)
• Learning Gaussian Mixture Representations for Tensor Time Series Forecasting [8.31607451942671]
  我々は、時間、位置、およびソース変数に暗示される各不均一成分を個別にモデル化する新しいTS予測フレームワークを開発する。 2つの実世界のTSデータセットによる実験結果は、最先端のベースラインと比較して、我々のアプローチの優位性を検証する。
  論文  参考訳（メタデータ） (2023-06-01T06:50:47Z)
• Unsupervised Representation Learning for Time Series with Temporal Neighborhood Coding [8.45908939323268]
  非定常時系列に対する一般化可能な表現を学習するための自己教師型フレームワークを提案する。 我々のモチベーションは、時系列データの動的性質をモデル化する能力が特に有用である医療分野に起因している。
  論文  参考訳（メタデータ） (2021-06-01T19:53:24Z)
• Learning from Irregularly-Sampled Time Series: A Missing Data Perspective [18.493394650508044]
  不規則にサンプリングされた時系列は、医療を含む多くの領域で発生する。 連続だが観測されていない関数からサンプリングされた指数値対の列として、不規則にサンプリングされた時系列データをモデル化する。 本稿では,変分オートエンコーダと生成対向ネットワークに基づく学習手法を提案する。
  論文  参考訳（メタデータ） (2020-08-17T20:01:55Z)

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。