Fugu-MT 論文翻訳(概要): Robust Transformer-Based One-Step Stock Index Forecasting via Shifted Data Augmentation

論文の概要: Robust Transformer-Based One-Step Stock Index Forecasting via Shifted Data Augmentation

arxiv url: http://arxiv.org/abs/2606.15701v1
Date: Sun, 14 Jun 2026 09:30:41 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-16 16:21:33.800107
Title: Robust Transformer-Based One-Step Stock Index Forecasting via Shifted Data Augmentation
Title（参考訳）: シフトデータ拡張によるロバスト変圧器ベースワンステップストックインデックス予測
Abstract要約: 本稿では,一段階のストックインデックス予測のための改良型トランスフォーマーアーキテクチャを提案する。提案手法は,VN30とS&P500の2つのベンチマークストックインデックスデータセット上で評価される。
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: Transformers have shown remarkable success in sequence modeling, yet their direct application to financial time series remains challenging due to noisy signals, short-memory dynamics, and distributional shifts. This paper proposes a modified Transformer architecture for one-step stock index forecasting, combined with advanced learning-rate scheduling and a novel Shifted Data Augmentation (SDA) technique. We evaluate the proposed framework on two benchmark stock index datasets, VN30 and S&P 500. Experimental results demonstrate that cosine annealing with warmup consistently improves forecasting accuracy over the generalized inverse-power scheduler. Furthermore, SDA substantially reduces forecasting errors and run-to-run variability while improving robustness to hyperparameter selection. The combination of cosine annealing scheduling and SDA achieved the best performance on both datasets, indicating that data augmentation can play a more important role than increasing model complexity in Transformer-based financial forecasting. These findings provide a practical and computationally efficient approach for robust stock index forecasting in noisy financial environments.
Abstract（参考訳）: トランスフォーマーは、シーケンスモデリングにおいて顕著な成功を収めてきたが、ノイズ信号、短メモリダイナミクス、分散シフトのために、金融時系列への直接適用は依然として困難である。本稿では,一段階のストックインデックス予測のためのトランスフォーマーアーキテクチャを改良し,高度な学習率スケジューリングと新しいシフトデータ拡張(SDA)技術を組み合わせた。提案手法は,VN30とS&P500の2つのベンチマークストックインデックスデータセット上で評価される。温暖化によるコサイン焼鈍は, 一般化逆パワースケジューラの予測精度を一定に向上することを示した。さらに、SDAは、過パラメータ選択に対するロバスト性を改善しつつ、予測エラーとラン・トゥ・ランの変動性を著しく低減する。両データセットにおけるコサインアニールスケジューリングとSDAの組み合わせは、Transformerベースの財務予測において、モデルの複雑さを増大させるよりも、データ拡張がより重要な役割を果たす可能性があることを示す。これらの結果は、ノイズの多い金融環境下でのロバストな株価指数予測のための実用的で効率的な手法を提供する。

関連論文リスト

PRICE: A Systematic Study of LLM Adaptation Choices for Bitcoin Price Forecasting [0.40105987447353786]
本研究は,短期的なBitcoin価格予測に大規模言語モデルを適用するための構造化アプローチであるPRICEを紹介する。 PRICEは4ビット量子化LLaMA-3 8Bモデルに基づいており、微調整、数値表現、プロンプト、推論、復号化がパフォーマンスにどのように影響するかを調査している。プライスは、評価期間にわたって堅牢なパフォーマンスを維持しながら、検証セットとテストセットの両方で最も低い予測エラーを達成する。
論文参考訳（メタデータ） (2026-09-04T15:01:38Z)
LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。 LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
論文参考訳（メタデータ） (2026-05-11T09:54:02Z)
Financial time series augmentation using transformer based GAN architecture [0.0]
本稿では,GAN(Generative Adrial Networks)が,金融分野におけるデータ不足を克服するためのデータ拡張ツールとして有効であることを示す。具体的には,Transformer-based GAN (TTS-GAN) によって生成された合成データを用いたデータセット上でのLong Short-Term Memory (LSTM) 予測モデルのトレーニングにより,実データのみを用いた場合に比べて予測精度が大幅に向上することを示す。
論文参考訳（メタデータ） (2026-02-19T22:02:09Z)
Adaptive Linear Path Model-Based Diffusion [52.84663832658799]
リニアパスモデルベース拡散(LP-MBD)を導入し、分散保存スケジュールをフローマッチング線形確率パスに置き換える。また,適応型LP-MBD(ALP-MBD)を提案し,タスクの複雑さや環境条件に応じて拡散ステップやノイズレベルを調整する。
論文参考訳（メタデータ） (2026-02-02T21:33:03Z)
StockBot 2.0: Vanilla LSTMs Outperform Transformer-based Forecasting for Stock Prices [0.0]
本稿では,近代的注意に基づく,畳み込み,反復的な時系列予測モデルを体系的に評価するStockBotアーキテクチャを提案する。慎重に構築されたバニラLSTMは、予測精度とより安定した購買・販売決定を一貫して達成する。
論文参考訳（メタデータ） (2026-01-01T04:09:51Z)
PFformer: A Position-Free Transformer Variant for Extreme-Adaptive Multivariate Time Series Forecasting [9.511600544581425]
PFformerは、単一ターゲットのMSS予測用に設計された、位置のないトランスフォーマーベースのモデルである。 PFformerは、EFE(Enhanced Feature-based Embedding)とAEE(Auto-Encoder-based Embedding)の2つの新しい埋め込み戦略を統合している。
論文参考訳（メタデータ） (2025-02-27T22:21:27Z)
Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文参考訳（メタデータ） (2023-01-05T13:59:29Z)
DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文参考訳（メタデータ） (2022-09-23T16:13:47Z)
Mitigating Data Redundancy to Revitalize Transformer-based Long-Term Time Series Forecasting System [46.39662315849883]
本稿では,カリキュラム学習とメモリ駆動デコーダによる冗長性を緩和する新しいフレームワークであるCLMFormerを紹介する。 CLMFormerはTransformerベースのモデルを最大30%改善し、長距離予測の有効性を示している。
論文参考訳（メタデータ） (2022-07-16T04:05:15Z)
Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。