論文の概要: Tabular Deep Learning for Algorithmic Trading: Cross-Regime Bayesian Optimisation for Equity Signal Generation

• arxiv url: http://arxiv.org/abs/2608.27076v1
• Date: Thu, 27 Aug 2026 13:01:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.407002
• Title: Tabular Deep Learning for Algorithmic Trading: Cross-Regime Bayesian Optimisation for Equity Signal Generation
• Title（参考訳）: アルゴリズムトレーディングのためのタブラルディープラーニング:等価信号生成のためのクロスレジームベイズ最適化
• Abstract要約: 5つのモデルクラスは、11年間で約300の米国株式から毎日の観測に基づいて訓練されている。 XGBoostとTabNetをランクアグリゲーションで組み合わせると、毎年51.26%のリターンを持つハイブリッドアンサンブルが生成される。 ほぼゼロに近いベータでは、このパフォーマンスは市場への露出ではなく、株価の選択によるものであることを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Algorithmic trading now represents a market exceeding $20 billion, where even marginal gains in signal robustness can translate into economically significant returns. Existing evaluations of equity prediction models do not explicitly target regime robustness during hyperparameter selection. Five model classes are trained on daily observations from approximately 300 large-cap US equities over eleven years, with Bayesian optimisation configured to target trading performance across three statistically different market regimes. Regime-robust hyperparameter selection is associated with out-of-sample generalisation, as signal precision remains above the random baseline across all four quarters of the test period, and portfolio performance slowly degrades under simulated input noise before collapsing beyond a defined threshold. No individual tabular deep learning architecture outperforms gradient-boosted trees, but combining XGBoost and TabNet using rank aggregation produces a Hybrid ensemble with an annualised return of 51.26%, a Sharpe ratio of 2.44, and a statistically significant CAPM alpha of 0.423 (p = 0.011). A near-zero beta indicates this outperformance is driven by stock selection, not market exposure. Alternative data plays a secondary role once technical and fundamental features are accounted for, as well as contributing more strongly on the short side than the long, and varies by model class. An interactive application makes these results explorable in real time, with live data integration the remaining step toward practical deployment.
• Abstract（参考訳）: アルゴリズムトレーディングは今や200億ドルを超える市場を表しており、信号のロバスト性でさえ経済的に重要なリターンをもたらす可能性がある。 既存のエクイティ予測モデルの評価は、ハイパーパラメータ選択時の構造ロバスト性を明示的にターゲットしていない。 5つのモデルクラスは、11年間で約300の米国株から毎日の観測に基づいて訓練されており、ベイジアン・オプティマイゼーションは3つの統計学的に異なる市場体制で取引パフォーマンスを目標に設定されている。 信号精度はテスト期間の4分の1のすべてにわたってランダムなベースラインより上にあり、ポートフォリオのパフォーマンスは、所定の閾値を超えて崩壊する前に、シミュレートされた入力ノイズの下で徐々に低下する。 XGBoostとTabNetの組み合わせは、毎年51.26%、シャープ比2.44、統計学的に有意なCAPMアルファ0.423(p = 0.011)のハイブリッドアンサンブルを生成する。 ほぼゼロに近いベータでは、このパフォーマンスは市場への露出ではなく、株価の選択によるものであることを示している。 技術的および基本的な機能が説明されると、代替データが二次的な役割を果たすと同時に、長いものよりも短い側に強く寄与し、モデルクラスによって異なる。 インタラクティブなアプリケーションによって、これらの結果はリアルタイムで探索可能となり、ライブデータ統合が実践的なデプロイメントに向けた残りのステップになります。

関連論文リスト

• VertiFuseX: Generalizable Financial Forecasting via Multi-Stream Temporal Fusion [0.0]
  マルチスケールの時間表現の垂直融合を用いたハイブリッドLSTMアーキテクチャであるVertiFuseXを提案する。 我々は、厳格な時間外テストを用いて、10のグローバルエクイティ指標から15年(2010-2024)の終値で評価する。 VertiFuseXは30～54%のMAPE削減を実現し、LSTMベースのベースラインに対してMAEとRMSEを40%以上改善した。
  論文  参考訳（メタデータ） (2026-09-11T12:54:25Z)
• End-to-End Neural Shrinkage of Indefinite Pairwise Correlation Matrices for Small-Cap-Inclusive Portfolios [0.0]
  少額のインクルーシブ・エクイティ・ユニバース(英語版)は、最近上場および断続的に取引された証券を含んでいるため、共通の見返りは利用可能な情報のかなりの部分を捨てる。 この設定に回転不変なニューラル共分散推定器を適用する。 我々は2000年から2025年までの26種類の拡大ウィンドウモデルを、ポイント・イン・タイム・セレクション、手数料、ファイナンス、コーポレート・アクション、市場インパクトを備えたクローズ・オークション・シミュレーターで、1500米国株に対して評価した。
  論文  参考訳（メタデータ） (2026-08-31T08:36:09Z)
• Batch-wise Adaptive Pruning: Periodic Neuron Activation-Aware Weight Pruning for Language Reasoning Model [41.842373153015586]
  LRMにおけるバッチ推論のための学習不要適応型プルーニング法を提案する。 閾値に基づく選択を、集約された重要度スコアよりも周期的なトップk選択に置き換える。 バッチサイズ4の平均精度は39.7ポイント向上した。
  論文  参考訳（メタデータ） (2026-08-14T06:46:02Z)
• Forecasting Downstream Performance of LLMs With Proxy Metrics [37.61408486519996]
  本稿では,トークンレベルの統計値(エントロピー,トップk精度,エキスパートトークンランクなど)を集約することで,プロキシメトリクスを構築することを提案する。 3つの設定で、我々のプロキシは損失ベースのベースラインと計算ベースのベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-05-18T16:17:15Z)
• 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)
• FIPO: Eliciting Deep Reasoning with Future-KL Influenced Policy Optimization [84.58281577727566]
  本稿では,大規模言語モデルにおける推論ボトルネックを克服する強化学習アルゴリズムであるFuture-KL Influenced Policy Optimization (FIPO)を提案する。 FIPOは、割引先KLの分岐をポリシー更新に組み込むことでこの問題に対処し、その後の軌道行動への影響に基づいてトークンを再重み付けする密集した有利な定式化を作成する。 Qwen2.5-32Bで評価され、FIPOは平均チェーン長を約4,000から10,000以上のトークンに拡張し、AIME 2024 Pass@1の精度を50.0%から58.0%に向上させた。
  論文  参考訳（メタデータ） (2026-03-20T10:24:50Z)
• Stock Market Prediction Using Node Transformer Architecture Integrated with BERT Sentiment Analysis [1.2362187555287152]
  本稿では,ノードトランスアーキテクチャとBERTに基づく感情分析を組み合わせた株価予測フレームワークを提案する。 提案モデルは,個々の株式がノードを形成し,エッジが関係をキャプチャするグラフ構造として,株式市場を表現している。 1982年1月から2025年3月までの20株のS&P500株に対する実験では、統合モデルが平均絶対パーセンテージ誤差(MAPE)を1日の予測で0.80%達成していることが示されている。
  論文  参考訳（メタデータ） (2026-03-06T05:15:22Z)
• Explainable Regime Aware Investing [0.0]
  本稿では,厳密な因果関係を持つ Wasserstein Hidden Markov Model に基づくレシック・アウェア・ポートフォリオ構築フレームワークを提案する。 ワッサーシュタインHMMレジームは、等重量およびSPXの買いと持ち株のベンチマークと対照的に、非常に高いリスク調整性能を達成している。
  論文  参考訳（メタデータ） (2026-02-21T00:33:16Z)
• $χ_{0}$: Resource-Aware Robust Manipulation via Taming Distributional Inconsistencies [40.920885088894174]
  両腕ロボットの2つのセットは、平ら化、折りたたみ、さまざまな服の吊り下げなど、衣服の操作をオーケストレーションします。 $_0$は、ロボット操作のプロダクションレベルの堅牢性を達成するために、効率的なモジュールが指定された、リソース効率のよいフレームワークである。 実験によると、$_0$は、20時間データと8 A100 GPUだけで、最先端の$_0.5$を成功率で250%近く上回っている。
  論文  参考訳（メタデータ） (2026-02-09T18:59:45Z)
• XGBoost Forecasting of NEPSE Index Log Returns with Walk Forward Validation [1.2347259751353263]
  本研究では,XGBoost回帰器を用いたネパール証券取引所(NEPSE)指数の1段階回帰予測のための頑健な機械学習フレームワークを開発した。 ログリターン(最大30日)と確立された技術指標を含む、包括的な機能セットが設計されている。 実験の結果、最適な構成、20のラグを持つ拡張ウィンドウは、ARIMAとRookの回帰ベンチマークより優れていた。
  論文  参考訳（メタデータ） (2026-01-13T15:22:08Z)
• Reinforcement Learning from Probabilistic Forecasts for Safe Decision-Making via Conditional Value-at-Risk Planning [41.52380204321823]
  本稿では,ベイズ予測,後方サンプリング強化学習,計画とを結合した統一的枠組みである不確実性認識マルコフ決定プロセス(UAMDP)を提案する。 構造的不確実性と経済のボラティリティを特徴とする2つのドメインの高頻度株式取引と小売在庫管理において,UAMDPを評価した。
  論文  参考訳（メタデータ） (2025-10-09T13:46:32Z)
• Increase Alpha: Performance and Risk of an AI-Driven Trading Framework [0.0]
  金融市場は非効率で、価格、ボリューム、断続的な関係が明らかにされていない。 increase Alphaでは、800以上の米国株を毎日の方向信号にマッピングするディープラーニングフレームワークを構築しました。 私たちは、透過的で業界標準のメトリクスを通してリアルタイムのパフォーマンスを評価します。
  論文  参考訳（メタデータ） (2025-09-20T14:37:02Z)
• UncertaintyRAG: Span-Level Uncertainty Enhanced Long-Context Modeling for Retrieval-Augmented Generation [93.38604803625294]
  IncertaintyRAG, a novel approach for long-context Retrieval-Augmented Generation (RAG)について紹介する。 我々は、SNR(Signal-to-Noise Ratio)ベースのスパン不確実性を用いて、テキストチャンク間の類似性を推定する。 不確かさRAGはLLaMA-2-7Bでベースラインを2.03%上回り、最先端の結果を得る。
  論文  参考訳（メタデータ） (2024-10-03T17:39:38Z)
• Stock2Vec: A Hybrid Deep Learning Framework for Stock Market Prediction with Representation Learning and Temporal Convolutional Network [71.25144476293507]
  我々は、株式市場の日々の価格を予測するためのグローバルなハイブリッドディープラーニングフレームワークを開発することを提案した。 表現学習によって、私たちはStock2Vecという埋め込みを導きました。 我々のハイブリッドフレームワークは、両方の利点を統合し、いくつかの人気のあるベンチマークモデルよりも、株価予測タスクにおいてより良いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-09-29T22:54:30Z)

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。