論文の概要: PRICE: A Systematic Study of LLM Adaptation Choices for Bitcoin Price Forecasting

• arxiv url: http://arxiv.org/abs/2609.05235v1
• Date: Fri, 04 Sep 2026 15:01:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:24.082135
• Title: PRICE: A Systematic Study of LLM Adaptation Choices for Bitcoin Price Forecasting
• Title（参考訳）: PRICE:Bitcoin価格予測のためのLLM適応選択の体系的研究
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.40105987447353786
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cryptocurrency markets exhibit extreme volatility and non-stationary dynamics that challenge conventional forecasting methods. Although Large Language Models (LLMs) have shown promise for time series forecasting, the combined effects of adaptation choices remain largely unexplored in financial settings. This study introduces PRICE, a structured approach for adapting LLMs to short-term Bitcoin price forecasting. Built on a 4-bit quantized LLaMA-3 8B model, PRICE investigates how fine-tuning, numerical representation, prompting, inference, and decoding jointly influence forecasting performance. PRICE integrates Parameter-efficient fine-tuning with Low-Rank Adaptation (LoRA), Recursive multi-step inference, Integer-rounded numerical representation, Context-Task-Format (CTF) prompting, and Exact zero-temperature decoding. Ablation studies show that each component contributes to forecasting accuracy and reliability. LoRA enables efficient training on limited hardware, recursive inference improves accuracy, integer-rounded values reduce errors, CTF prompting outperforms Chain-of-Thought, Implicit Chain-of-Thought (iCoT), and few-shot prompting, and zero-temperature decoding improves stability during recursive forecasting. Comparative evaluation against eight transformer-based and time-series foundation models shows that PRICE achieves the lowest forecasting errors on both validation and test sets while maintaining robust performance across evaluation periods. Despite being based on a model primarily pretrained on text rather than time-series data, PRICE achieves competitive or superior performance relative to specialized foundation models. These findings demonstrate that adaptation choices critically determine the accuracy and robustness of LLMs for numerical time-series forecasting.
• Abstract（参考訳）: 暗号通貨市場は、従来の予測手法に挑戦する極端なボラティリティと非定常ダイナミクスを示している。 大規模言語モデル (LLMs) は時系列予測の可能性を示唆しているが、適応選択の複合効果は金融環境では明らかにされていない。 本研究は,短期Bitcoin価格予測にLLM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。 4ビット量子化LLaMA-3 8Bモデルに基づいて、PRICEは微調整、数値表現、プロンプト、推論、復号化が予測性能にどのように影響するかを調査する。 PRICEはパラメータ効率の高い微調整をLoRA(Lo-Rank Adaptation)、再帰的マルチステップ推論(Recursive multi-step inference)、Integerを囲む数値表現、Context-Task-Format(CTF)プロンプト、ゼロ温度デコーディングと統合する。 アブレーション研究は、各成分が精度と信頼性の予測に寄与していることを示している。 LoRAは、限られたハードウェアでの効率的なトレーニングを可能にし、再帰的推論により精度が向上し、整数周値が誤差を低減し、CTFはChain-of-Thought、Implicit Chain-of-Thought(iCoT)、数ショットプロンプト、ゼロ温度デコードにより再帰的予測時の安定性が向上する。 8つの変圧器ベースおよび時系列基礎モデルとの比較評価により,PRICEは評価期間を通して堅牢な性能を維持しつつ,検証とテストセットの双方において最も低い予測誤差を達成していることが示された。 PRICEは、時系列データではなく、主にテキストに基づいて事前訓練されたモデルに基づいているが、特別な基礎モデルと比較して、競争力や優れたパフォーマンスを達成する。 これらの結果から,数値時系列予測におけるLCMの精度とロバスト性は適応の選択によって決定されることが示された。

関連論文リスト

• Efficient Test-Time Scaling for LLM-based Time Series Forecasting [21.66751156586705]
  長期の時系列予測は、トレンドや季節といったグローバルな構造を保存することの恩恵を受ける。 最近のLSMベースの予測器は、テストタイムスケーリングによって精度を向上することが多い。 しかし、これらの手法は計算コストが高く、予測の地平線が延びるにつれて、グローバルな形状のミスマッチが生じる傾向にある。 本稿では,未来力学の粗い表現を予測するために,長期形状モデリングに適した軽量トランスフォーマーを提案する。
  論文  参考訳（メタデータ） (2026-08-09T12:45:08Z)
• Reasoning through Verifiable Forecast Actions: Consistency-Grounded RL for Financial LLMs [34.87727677131385]
  本発表では、株価予測と財務的理由を検証可能な予測行動を通じて統合する、時系列のLLMであるStockR1を紹介する。 ツールコール設計に基づいて、モデルはまず、定性的市場展望の構造的かつ解釈可能な表現である予測アクションを出力する。 そこでは、回答の妥当性、予測精度、生成したアクション間の一貫性と観察された時系列のダイナミクスを共同で反映する。
  論文  参考訳（メタデータ） (2026-05-21T04:09:16Z)
• Nexus : An Agentic Framework for Time Series Forecasting [72.73790673303154]
  時系列予測は、ニュースやイベントのような構造化されていないコンテキストデータによる推論を必要とする。 予測を特殊なステージに分解するマルチエージェント予測フレームワークであるNexusを紹介します。 本研究では,現在のLLMは,従来よりも強い固有予測能力を有することを示す。
  論文  参考訳（メタデータ） (2026-05-14T05:12:13Z)
• Convolutionally Low-Rank Models with Modified Quantile Regression for Interval Time Series Forecasting [18.452655953569696]
  インターバル時系列予測は、不確実性を定量化する問題に対する原則的な解決策を提供する。 学習型畳み込み核ノルム最小化(LbCNNM)と呼ばれる最近確立された点予測(PF)手法について考察する。 理論的には完全かつ実験的に有効であるが、LbCNNMには固有の不確実性推定能力がない。 我々は、よく知られた量子回帰(QR)を修正してLbCNNMに統合し、LbCNNMと呼ばれる新しい間隔予測法をLbCNNM-MQR(Modified Quantile Regression)で実現した。
  論文  参考訳（メタデータ） (2026-04-17T07:52:21Z)
• TFRBench: A Reasoning Benchmark for Evaluating Forecasting Systems [52.91956121737963]
  我々は,予測システムの推論能力を評価するための最初のベンチマークであるTFRBenchを紹介する。 本稿では,反復的検証ループを用いて,数値的に基底となる推論トレースを合成するマルチエージェント・フレームワークを提案する。 評価は,この推論が因果的に有効であること,評価に有用であること,生成したトレースでLSMを誘導することにより,予測精度が大幅に向上することを確認した。
  論文  参考訳（メタデータ） (2026-04-07T03:04:45Z)
• ZIP-RC: Optimizing Test-Time Compute via Zero-Overhead Joint Reward-Cost Prediction [57.799425838564]
  ZIP-RCは、モデルに報酬とコストのゼロオーバーヘッド推論時間予測を持たせる適応推論手法である。 ZIP-RCは、同じまたはより低い平均コストで過半数投票よりも最大12%精度が向上する。
  論文  参考訳（メタデータ） (2025-12-01T09:44:31Z)
• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• FinZero: Launching Multi-modal Financial Time Series Forecast with Large Reasoning Model [27.20045729222667]
  FinZeroは、FVLDBファイナンシャル時系列の推論、予測、分析的理解を行うために、UARPOによって微調整されたマルチモーダル事前訓練モデルである。 UARPOで微調整した後、FinZeroは高信頼グループのGPT-4oよりも予測精度が約13.48%向上した。
  論文  参考訳（メタデータ） (2025-09-10T16:32:41Z)
• 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)
• 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)

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。