論文の概要: Fast Exact Nearest-Neighbor Learning for High-Frequency Financial Time Series

• arxiv url: http://arxiv.org/abs/2606.10219v1
• Date: Mon, 08 Jun 2026 22:17:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.214146
• Title: Fast Exact Nearest-Neighbor Learning for High-Frequency Financial Time Series
• Title（参考訳）: 高速近接学習による高頻度金融時系列の学習
• Authors: Henry Han, Diane Li,
• Abstract要約: 市場データ量が株式、FX、オプション、高周波トレーディングストリームにまたがって急増する中、大規模なAI効率は金融において重要になりつつある。 この成長は、成熟した金融AIシステムにとって、中核的な課題を生み出す。モデルは、取引、リスク管理、デリバティブ価格のリアルタイム遅延制約を満たしながら、より大きな歴史的コーパスから学ぶ必要がある。 私たちは、Mojoベースの金融AIがこの課題に対処できることを示す具体的なケーススタディとして、高周波金融時系列の正確な隣り合う学習を使用します。
• 参考スコア（独自算出の注目度）: 3.158346511479111
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI efficiency at scale is becoming critical in finance as market data volumes surge across equities, ETFs, FX, options, and high-frequency trading streams. This growth creates a core challenge for mature financial AI systems: models must learn from larger historical corpora while still meeting real-time latency constraints in trading, risk management, and derivative pricing. We use exact nearest-neighbor learning for high-frequency financial time series as a concrete case study to show that Mojo-based financial AI can address this challenge. We introduce a Mojo SIMD k-d tree with variance-based splitting, contiguous flat-buffer storage, and compile-time vectorized distance computation. We also provide a runtime result showing that, under standard pruning and implementation-cost assumptions, the Mojo SIMD k-d tree asymptotically dominates Mojo SIMD brute force and scikit-learn's k-d tree in the fixed-stock, large-$n$, moderate-dimensional regime. Empirically, across eight financial datasets on x86 and ARM64 with up to 277K training samples, the method achieves 17.5--21.6$\times$ speedup over scikit-learn's k-d tree on x86 and 28.1--43.5$\times$ over scikit-learn brute force on ARM64 equity/ETF datasets, while preserving exact outputs. Beyond nearest-neighbor inference, Mojo's compiled execution enables an Extra Trees-based implied-volatility pricing model to train on $10\times$ more options data, reducing put-IV RMSE by 8.0\%. These results position Mojo as a scalable, production-ready stack for financial AI and a promising foundation for efficient AI in other data-intensive fields. \keywords{Financial AI \and AI Efficiency \and Mojo \and SIMD \and K-D Trees \and KNN \and High-Frequency Trading \and Financial Time Series \and Scaling}
• Abstract（参考訳）: 市場データボリュームが株式、ETF、FX、オプション、高周波トレーディングストリームにわたって急増する中、大規模なAI効率は金融業界で重要になりつつある。 この成長は、成熟した金融AIシステムにとって、中核的な課題を生み出す。モデルは、取引、リスク管理、デリバティブ価格のリアルタイム遅延制約を満たしながら、より大きな歴史的コーパスから学ぶ必要がある。 私たちは、Mojoベースの金融AIがこの課題に対処できることを示す具体的なケーススタディとして、高周波金融時系列の正確な隣り合う学習を使用します。 分散に基づく分割、連続したフラットバッファストレージ、コンパイル時ベクトル化距離計算を備えたMojo SIMD k-d木を提案する。 また,標準プルーニングおよび実装コストの仮定の下では,モジョSIMD k-d木がモジョSIMDブルート力とシキトラーンのk-d木を漸近的に支配することを示す。 経験的には、x86とARM64上の8つの金融データセットのうち最大277Kのトレーニングサンプルで17.5--21.6$\times$x86上のシキト・ラーンのk-dツリーのスピードアップと、ARM64のエクイティ/ETFデータセット上のシキト・ラーンのブルート力に対する28.1--43.5$\times$を達成した。 最寄りの推論の他に、Mojoのコンパイルされた実行では、Extra Treesベースのインプリード・ボラティリティの価格モデルで、より多くのオプションデータを10\times$でトレーニングすることが可能で、 put-IV RMSEを8.0\%削減できる。 これらの結果は、Mojoを金融AIのためのスケーラブルでプロダクション対応のスタックとして位置づけ、他のデータ集約分野における効率的なAIの基礎として有望である。 \keywords{Financial AI \and AI efficiency \and Mojo \and SIMD \and K-D Trees \and KNN \and High-Frequency Trading \and Financial Time Series \and Scaling}

関連論文リスト

• Scalable Maximum Entropy Population Synthesis via Persistent Contrastive Divergence [0.0]
  人口統計データから合成個体群を生成するための原則的枠組みを提示する。 GibbsPCDrは、有効なサンプルサイズを持つ人口を$Neff approx 0.012と比較し、エージェントベースの都市シミュレーションに欠かせない$86.8倍の多様性の利点を生んでいる。 GibbsPCDrは[0.010, 0.018]$で$MREを維持します。
  論文  参考訳（メタデータ） (2026-03-28T15:36:20Z)
• QuitoBench: A High-Quality Open Time Series Forecasting Benchmark [32.21290355342465]
  時系列予測は、ファイナンス、ヘルスケア、クラウドコンピューティングにおいて重要である。 時系列予測のための状態バランスのベンチマークであるtextscQuitoBenchを紹介する。
  論文  参考訳（メタデータ） (2026-03-27T02:24:34Z)
• On Computational Limits and Provably Efficient Criteria of Visual Autoregressive Models: A Fine-Grained Complexity Analysis [22.641550077885686]
  我々は,Visual Autoregressive(mathsf/$)モデルの計算限界と効率基準を分析する。 より詳細な複雑性理論からStrong Exponential Time hypothesis(mathsfSETH$)を仮定すると、$mathsf/$モデルに対する準量子時間アルゴリズムは不可能である。 私たちの技術は、$mathsf/$フレームワークでスケーラブルで効率的な画像生成を推し進めることに重点を置いています。
  論文  参考訳（メタデータ） (2025-01-08T09:34:15Z)
• Mamba Meets Financial Markets: A Graph-Mamba Approach for Stock Price Prediction [2.366698071158014]
  SAMBAは、Mambaアーキテクチャに基づいてグラフニューラルネットワークを統合する、ストックリターン予測のための革新的なフレームワークである。 実験の結果,SAMBAは予測精度において最先端のベースラインモデルよりも優れ,計算複雑性が低いことがわかった。
  論文  参考訳（メタデータ） (2024-09-26T03:29:26Z)
• Coarse Graining with Neural Operators for Simulating Chaotic Systems [78.64101336150419]
  カオスシステムの長期的挙動を予測することは、気候モデリングなどの様々な応用に不可欠である。 このような完全解法シミュレーションに対する別のアプローチは、粗いグリッドを使用して、時間テキストモデルによってエラーを修正することである。 この制限を克服する物理インフォームド・ニューラル演算子(PINO)を用いたエンド・ツー・エンドの学習手法を提案する。
  論文  参考訳（メタデータ） (2024-08-09T17:05:45Z)
• FeDXL: Provable Federated Learning for Deep X-Risk Optimization [105.17383135458897]
  我々は、既存のアルゴリズムが適用できないXリスクのファミリーを最適化するために、新しい連邦学習(FL)問題に取り組む。 Xリスクに対するFLアルゴリズムを設計する際の課題は、複数のマシンに対する目的の非可逆性と、異なるマシン間の相互依存にある。
  論文  参考訳（メタデータ） (2022-10-26T00:23:36Z)

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。