論文の概要: Hybrid Neural-Classical Correction for Frozen Time Series Foundation Models: A Comprehensive Ablation Study on High-Frequency Stock Prediction

• arxiv url: http://arxiv.org/abs/2608.08825v1
• Date: Sun, 09 Aug 2026 17:15:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.963534
• Title: Hybrid Neural-Classical Correction for Frozen Time Series Foundation Models: A Comprehensive Ablation Study on High-Frequency Stock Prediction
• Title（参考訳）: 凍結時系列モデルのためのハイブリッドニューラルネットワーク古典補正:高周波ストック予測に関する包括的アブレーション研究
• Abstract要約: 本研究では, 凍結したTimesFM(200Mパラメータ)を揮発性オープニングトレーディング時間中のストックリターン予測に適応させるハイブリッドニューラル古典補正法について包括的な研究を行った。 AttnCorrect(複数頭自己注意,約471Kパラメータ)とGatedLinear(ゲーティング,約49Kパラメータ)の2つのニューラル補正を比較した。 10の主要技術株の体系的なアブレーションを通じて、私たちは重要な洞察を明らかにします。
• 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: Foundation models for time series forecasting demonstrate impressive zero-shot generalization but often underperform on specialized domains such as high-frequency finance. We present a comprehensive study of hybrid neural-classical correction for adapting frozen TimesFM (200M parameters) to stock return prediction during the volatile opening trading hour. We compare two neural correction architectures - AttnCorrect (multi-head self-attention, approximately 471K parameters) and GatedLinear (low-rank bilinear projection with gating, approximately 49K parameters) - each augmented with Random Forest residual learning. Through systematic ablation across 10 major technology stocks (NVDA, MSFT, AAPL, GOOG, GOOGL, AMZN, META, AVGO, TSLA, NFLX) spanning 2 million data points, we reveal critical insights: (1) The hybrid neural-classical approach achieves 0.597 pooled correlation and 6.4x mean per-day correlation improvement over frozen TimesFM; (2) Classical residual learning (Random Forest) provides the largest single-component contribution, matching or exceeding the neural correction component; (3) Simpler neural architectures surprisingly outperform complex ones when classical residual learning is removed; (4) Self-attention provides the largest neural-only contribution. GatedLinear+RF achieves best overall performance with 9x fewer neural parameters than AttnCorrect+RF. We report three complementary correlation metrics - mean per-day, cross-day cumulative, and pooled - to provide a complete picture of predictive quality. Our results provide practical guidance: effective foundation model adaptation requires careful integration of neural and classical components, with classical methods playing a crucial complementary role.
• Abstract（参考訳）: 時系列予測の基礎モデルは、印象的なゼロショット一般化を示すが、高周波ファイナンスのような特殊なドメインでは性能が劣ることが多い。 本研究では, 凍結したTimesFM(200Mパラメータ)を揮発性オープニングトレーディング時間中のストックリターン予測に適応させるハイブリッドニューラル古典補正法について包括的な研究を行った。 我々は、AttnCorrect(複数頭自己注意、約471Kパラメータ)とGatedLinear(ゲーティング、約49Kパラメータ)の2つのニューラル補正アーキテクチャを比較し、それぞれランダムフォレスト残差学習を用いて強化した。 NVDA, MSFT, AAPL, GOOGL, GOOGL, AMZN, META, AVGO, TSLA, NFLX) を対象とする10の主要技術株の体系的アブレーションを通じて,(1) ハイブリッドニューラル古典的アプローチは, 0.597個のプール付き相関と6.4倍の平均1日あたりの相関性の改善を達成した。 GatedLinear+RFは、AttnCorrect+RFよりも9倍少ないニューラルパラメータで、全体的なパフォーマンスを達成する。 予測品質の全体像を提供するために,3つの相補的相関指標 – 平均日数, 日数累積, プール化 – を報告する。 有効な基礎モデル適応には、ニューラルネットワークと古典的コンポーネントを慎重に統合し、古典的手法が重要な補完的役割を果たす必要がある。

関連論文リスト

• Large-Small Model Collaboration for Zero-Shot Surgical Phase Recognition [45.191945465591374]
  外科的位相認識のためのタスク固有の軽量モデルは、時間的ダイナミクスを捉えるのに優れているが、ドメインシフト下での一般化は不十分である。 textbfLarge-textbfSmall textbfTemporal adaptation (textbfLaST)を提案する。
  論文  参考訳（メタデータ） (2026-08-24T07:06:52Z)
• Deep Neural Network Architectures for Electrocardiogram Classification: A Comprehensive Evaluation [7.708113178862228]
  本研究では,自動不整脈分類のためのディープニューラルネットワークアーキテクチャの包括的評価を行う。 マイノリティクラスにおけるデータの不足に対処するため、MIT-BIH ArrhythmiaデータセットはGenerative Adversarial Network (GAN)を使用して拡張された。 我々は、CNN(Convolutional Neural Networks)、CNNとLong Short-Term Memory(CNN-LSTM)、CNN-LSTM with Attention(CNN-LSTM)、ResNet-1D(ResNet-1D)の4つの異なるアーキテクチャを開発し比較した。
  論文  参考訳（メタデータ） (2026-02-07T06:56:50Z)
• Prediction and Causality of functional MRI and synthetic signal using a Zero-Shot Time-Series Foundation Model [46.186152268413025]
  ヒトのfMRIで測定した脳活動から方向的相互作用を推定するための古典的手法に対する基礎モデルを評価する。 ゼロショットと微調整の両方で基礎モデルの予測能力を検証し,モデルからのグランガー様推定と標準グランガー因果度を比較して因果性を評価する。
  論文  参考訳（メタデータ） (2025-09-15T22:43:23Z)
• Predicting Cognition from fMRI:A Comparative Study of Graph, Transformer, and Kernel Models Across Task and Rest Conditions [1.0832932170181544]
  本研究は,認知予測のための古典的機械学習(KRR)と高度ディープラーニング(DL)モデルを体系的にベンチマークした。 その結果,認知に直結したニューラル応答を誘発するタスクベースfMRIは,認知行動予測におけるRSfMRIよりも優れていた。
  論文  参考訳（メタデータ） (2025-07-28T17:29:22Z)
• Benchmarking Foundation Models and Parameter-Efficient Fine-Tuning for Prognosis Prediction in Medical Imaging [40.35825564674249]
  本研究では,基礎モデルにおける伝達学習戦略の堅牢性と効率性を評価するための最初の構造化されたベンチマークを紹介する。 新型コロナウイルス(COVID-19)の胸部X線データセットが4つ使用されており、死亡率、重症度、入院率をカバーしている。 一般またはバイオメディカルデータセットで事前訓練されたImageNetとFMで事前訓練されたCNNは、完全な微調整、線形探索、パラメータ効率のよい手法を用いて適応された。
  論文  参考訳（メタデータ） (2025-06-23T09:16:04Z)
• Quantum Machine Learning for Predicting Anastomotic Leak: A Clinical Study [0.16777183511743468]
  AL(Anastomotic leak)は,大腸癌術後の合併症である。 本研究では、AL予測のための量子ニューラルネットワーク(QNN)の可能性について検討する。
  論文  参考訳（メタデータ） (2025-06-02T14:13:10Z)
• Advancing Tabular Stroke Modelling Through a Novel Hybrid Architecture and Feature-Selection Synergy [0.9999629695552196]
  本研究は、ストロークを予測するように設計されたデータ駆動型、解釈可能な機械学習フレームワークを開発し、検証する。 定期的に収集された人口統計、生活習慣、臨床変数は4,981件の公的なコホートから得られた。 提案したモデルでは精度97.2%、F1スコア97.15%が達成され、先行する個人モデルと比較して大幅に向上した。
  論文  参考訳（メタデータ） (2025-05-18T21:46:45Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Correlation recurrent units: A novel neural architecture for improving the predictive performance of time-series data [4.2443814047515716]
  我々は,ニューラルネットワーク内で時系列分解を行うことができる相関再帰ユニット(CRU)と呼ばれる新しいニューラルアーキテクチャを提案する。 その結果,長期・短期予測性能は10%以上向上した。
  論文  参考訳（メタデータ） (2022-11-30T00:47:03Z)
• A Fully Tensorized Recurrent Neural Network [48.50376453324581]
  重み付けされたRNNアーキテクチャを導入し、各リカレントセル内の個別の重み付け行列を共同で符号化する。 このアプローチはモデルのサイズを数桁削減するが、通常のRNNと同等あるいは優れた性能を維持している。
  論文  参考訳（メタデータ） (2020-10-08T18:24:12Z)
• A New Training Pipeline for an Improved Neural Transducer [45.95101581439751]
  RNNトランスデューサは、有望なエンドツーエンドモデル候補である。 元のトレーニング基準と、すべてのアライメントに対する完全な限界化を比較し、一般的に使用される最大近似と比較する。 最終的なトランスデューサモデルは,Switchboard 300hにおける注目モデルよりも6%以上優れています。
  論文  参考訳（メタデータ） (2020-05-19T09:35:38Z)

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。