論文の概要: Adaptive Financial Transformer with Regime-Gated Attention for Stock Return Prediction
- arxiv url: http://arxiv.org/abs/2606.29347v1
- Date: Sun, 28 Jun 2026 11:33:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.894585
- Title: Adaptive Financial Transformer with Regime-Gated Attention for Stock Return Prediction
- Title（参考訳）: ストックリターン予測のためのレジーム付きアダプティブファイナンシャルトランス
- Abstract要約: 非定常金融市場において、株価リターン予測のための適応型金融トランスフォーマー(AFT)が提案されている。
このモデルにはMarket Regime、Adaptive Gate Network、Adaptive Financial Contextモジュールが含まれている。
結果は、モデルの複雑さを15.2%削減しながら、競争力のある予測性能を示している。
- 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: Adaptive Financial Transformer (AFT) is proposed for stock return prediction under non-stationary financial markets. The model incorporates a Market Regime Encoder, an Adaptive Gate Network, and an Adaptive Financial Context module to dynamically bias self-attention based on semantic relationships between financial indicators. Unlike conventional Transformer architectures that treat all input features uniformly, the proposed approach groups 95 engineered financial features into 11 semantic categories and adapts attention according to latent market regimes. The study also identifies and corrects sequence alignment and backtesting issues that can inflate reported trading performance, and introduces a financially-aware composite objective that jointly optimizes prediction error, directional accuracy, and non-overlapping Sharpe ratio. Extensive experiments compare the proposed architecture against classical machine learning models, recurrent neural networks, and Transformer baselines using chronological evaluation, five random seeds, ablation studies, hyperparameter optimization, explainability analysis, and multi-stock validation. Results demonstrate competitive predictive performance while reducing model complexity by 15.2% and improving parameter efficiency through feature selection, providing an interpretable Transformer architecture for financial time-series forecasting.
- Abstract（参考訳）: 非定常金融市場において、株価リターン予測のための適応型金融トランスフォーマー(AFT)が提案されている。
このモデルには、マーケットレジームエンコーダ、アダプティブゲートネットワーク、およびアダプティブファイナンシャルコンテキストモジュールが含まれており、金融指標間のセマンティックな関係に基づいて、動的に自己アテンションをバイアスする。
全ての入力機能を均一に扱う従来のTransformerアーキテクチャとは異なり、提案したアプローチグループ95は、金融機能を11のセマンティックカテゴリに分類し、潜在市場体制に従って注意を向ける。
また, 予測誤差, 方向精度, 重複しないシャープ比を共同で最適化する, 財務に配慮した複合目標を導入した。
大規模な実験では、古典的な機械学習モデル、リカレントニューラルネットワーク、トランスフォーマーベースラインに対するアーキテクチャを、時系列評価、5つのランダムシード、アブレーション研究、ハイパーパラメータ最適化、説明可能性分析、マルチストック検証を用いて比較した。
その結果、モデル複雑性を15.2%削減しつつ競合予測性能を示し、特徴選択によるパラメータ効率を改善し、財務時系列予測のための解釈可能なトランスフォーマーアーキテクチャを提供する。
関連論文リスト
- Efficient and Interpretable Transformer for Counterfactual Fairness [0.0]
この研究は、公正性理論と機械学習モデルの間に重要なギャップを埋める。
ハイテイクで高度に規制されたドメインにおいて、責任あるAIのための実践的なフレームワークを提供する。
論文 参考訳（メタデータ） (2026-04-29T00:20:22Z) - Context-Integrated Adversarial Learning for Predictive Modelling of Stock Price Dynamics [0.0]
本稿では,文脈に敏感な対人学習モデルを導入し,株価の予測を行う。
このアーキテクチャは、将来の価格変動をモデル化するために敵対的トレーニングを使用し、財務的なテキストデータから派生した文脈的感情特徴を取り入れている。
米国株式のサンプルを実験的に評価すると、提案手法が従来のARIMAおよびLSTMベースラインを様々な誤差の尺度で上回っていることが証明される。
論文 参考訳（メタデータ） (2026-04-13T18:51:01Z) - Cross-Modal Temporal Fusion for Financial Market Forecasting [3.0756278306759635]
我々は、市場予測を改善するために、構造化および非構造化の財務データを融合するトランスフォーマーベースのディープラーニングフレームワークであるCross-Modal Temporal Fusion (CMTF)を導入する。
FTSE 100 ストックデータを用いた実験結果から,CMTF は古典的および深層学習ベースラインと比較して,価格方向分類において優れた性能を示した。
論文 参考訳（メタデータ） (2025-04-18T07:20:18Z) - An Advanced Ensemble Deep Learning Framework for Stock Price Prediction Using VAE, Transformer, and LSTM Model [4.097563258332958]
本研究では,3つの先進ニューラルネットワークアーキテクチャを組み合わせることで,株価予測のための最先端の深層学習フレームワークを提案する。
このフレームワークは豊富な技術的指標を使用し、現在の市場状況に基づいて予測器をスケールする。
金融専門家や学者にとって、アルゴリズム取引、リスク分析、制御と意思決定に非常に重要な応用がある。
論文 参考訳（メタデータ） (2025-03-28T07:20:40Z) - 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) - Diffusion Variational Autoencoder for Tackling Stochasticity in
Multi-Step Regression Stock Price Prediction [54.21695754082441]
長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。
多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。
深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。
本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-08-18T16:21:15Z) - Federated Conformal Predictors for Distributed Uncertainty
Quantification [83.50609351513886]
コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。
本稿では,共形予測を連邦学習環境に拡張する。
本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
論文 参考訳（メタデータ） (2023-05-27T19:57:27Z) - Feature Selection with Annealing for Forecasting Financial Time Series [2.44755919161855]
本研究では,機械学習(ML)モデルを用いた戦術的入力出力特徴マッピング技術に基づいて,財務時系列を総合的に予測する手法を提案する。
実験の結果,FSAアルゴリズムは問題の種類に関わらず,MLモデルの性能を向上することが示された。
論文 参考訳（メタデータ） (2023-03-03T21:33:38Z) - Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。
合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
論文 参考訳（メタデータ） (2023-02-23T18:57:14Z) - Slimmable Domain Adaptation [112.19652651687402]
重み付けモデルバンクを用いて、ドメイン間の一般化を改善するためのシンプルなフレームワーク、Slimmable Domain Adaptationを導入する。
私たちのフレームワークは、他の競合するアプローチを、複数のベンチマークにおいて非常に大きなマージンで上回ります。
論文 参考訳（メタデータ） (2022-06-14T06:28:04Z) - Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics
in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。
最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。
予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文 参考訳（メタデータ） (2022-03-07T18:59:54Z)
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。