論文の概要: VertiFuseX: Generalizable Financial Forecasting via Multi-Stream Temporal Fusion
- arxiv url: http://arxiv.org/abs/2609.12793v1
- Date: Fri, 11 Sep 2026 12:54:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.749446
- Title: VertiFuseX: Generalizable Financial Forecasting via Multi-Stream Temporal Fusion
- Title（参考訳）: VertiFuseX: マルチストリームテンポラルフュージョンによる一般化可能な財務予測
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Stock price prediction remains challenging due to the non-stationary and noisy nature of financial time series. Existing deep learning models often rely on rigid decision-level fusion, ad hoc hyperparameter tuning, and compressed final-layer outputs, causing information loss, overfitting, and limited cross-market generalization. We propose VertiFuseX, a hybrid LSTM architecture using penultimate-layer vertical fusion of multi-scale temporal representations. VertiFuseX stacks and reweights penultimate features from LSTM, Bi-LSTM, and St-LSTM branches, integrates a parallel DNN stream, and jointly optimizes all components via backpropagation under a fixed hyperparameter configuration. This preserves richer intermediate temporal information across scales. Evaluated on 15 years (2010-2024) of closing prices from 10 global equity indices using strict chronological out-of-sample testing with the final 365 trading days held out, VertiFuseX achieves 30-54% MAPE reductions and over 40% improvements in MAE and RMSE versus LSTM-based baselines, and outperforms seven state-of-the-art models across 33 metric-dataset comparisons. Ablation studies confirm penultimate-layer fusion drives these gains over final-layer fusion and decision-level ensembling. Gradient-based saliency analysis shows consistent emphasis on mid-range dependencies at lags 9-15 days. Economic validation via algorithmic trading simulation under extreme market regimes shows reduced maximum drawdowns and superior risk-adjusted returns. With 675k parameters, a 2.6 MB memory footprint, and 1.5 ms/sample inference latency, VertiFuseX offers a lightweight, interpretable, deployment-ready framework for robust financial forecasting.
- Abstract（参考訳）: 金融時系列の非定常的かつ騒々しい性質のため、株価の予測は依然として困難である。
既存のディープラーニングモデルは、しばしば厳密な決定レベル融合、アドホックなハイパーパラメータチューニング、圧縮された最終層出力に依存し、情報損失、過度な適合、市場横断の一般化を引き起こす。
マルチスケール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。
VertiFuseXスタックと、LSTM、Bi-LSTM、St-LSTMブランチからの過度な機能、並列DNNストリームの統合、固定されたハイパーパラメータ構成下でのバックプロパゲーションによるすべてのコンポーネントの共同最適化。
これにより、スケールにわたってよりリッチな中間時間情報が保存される。
10のグローバルエクイティ指数からの15年(2010-2024年)の終了価格を、最終365日の厳密な時間外試験を用いて評価し、VertiFuseXは30～54%のMAPE削減と、MAEとRMSEのベースラインとLSTMベースのベースラインの40%以上の改善を達成し、33のメートル・データセット比較で7つの最先端モデルを上回った。
アブレーション研究は、これらが最終層核融合と決定レベル核融合によって得られることを確認している。
グラディエントベースのサリエンシ分析は、ラグ9～15日でミッドレンジ依存関係に一貫した重点を置いている。
極端な市場体制下でのアルゴリズムによる取引シミュレーションによる経済評価は、最大損失の削減とリスク調整されたリターンの優位性を示している。
675kのパラメータと2.6MBのメモリフットプリント、1.5ms/sample推論遅延を持つVertiFuseXは、堅牢な財務予測のための軽量で解釈可能なデプロイ可能なフレームワークを提供する。
関連論文リスト
- Tabular Deep Learning for Algorithmic Trading: Cross-Regime Bayesian Optimisation for Equity Signal Generation [0.0]
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。
論文 参考訳（メタデータ） (2026-08-27T13:01:32Z) - RAVEN: A Regime-Aware Variable-context Expert Network for Financial Time Series Forecasting [83.06074370551887]
固定コンテキストウィンドウは、非定常価格プロセスの時間変化最適振り返りと一致しない。
本稿では,各サンプルの時間的文脈を適応的に決定するMixture-of-Expertsフレームワークを提案する。
累積ログリターン予測(HS300、S&P500)およびファンド販売予測の実験では、RAVENはSOTAのパフォーマンスを達成し、HS300ではピアソン相関を9.2%改善し、S&P500では20.2%改善し、MSEを18.2%削減している。
論文 参考訳（メタデータ） (2026-06-23T02:11:04Z) - YouZhi: Towards High-Concurrency Financial LLMs via Adaptive GQA-to-MLA Transition [78.52944812151664]
大きな言語モデル(LLM)は、大きな金融革新をもたらすが、そのデプロイメントはKVキャッシュメモリのオーバーヘッドによってボトルネックになる。
我々は,Huawei Ascendエコシステム上に構築された包括的な構造遷移とトレーニングパイプラインによって強化された,高効率な金融LLMであるYouZhi-LLMを提案する。
論文 参考訳（メタデータ） (2026-06-04T08:44:37Z) - Deep Learning for Financial Time Series: A Large-Scale Benchmark of Risk-Adjusted Performance [4.889402269887708]
本稿では,金融時系列予測と位置分類タスクのための,最新のディープラーニングアーキテクチャの大規模ベンチマークを示す。
我々は線形モデル、リカレントネットワーク、トランスフォーマーベースアーキテクチャ、状態空間モデル、および最近のシーケンス表現アプローチを評価する。
リッチな時間的表現を学習するために設計されたモデルは、線形ベンチマークや一般的なディープラーニングモデルより一貫して優れています。
論文 参考訳（メタデータ） (2026-03-02T12:52:50Z) - TFT-ACB-XML: Decision-Level Integration of Customized Temporal Fusion Transformer and Attention-BiLSTM with XGBoost Meta-Learner for BTC Price Forecasting [0.7857499581522376]
既存のディープラーニングモデルは、様々な市場条件で解釈可能性や一般化に苦しむことが多い。
本研究は,BTC閉値予測のためのハイブリッドスタック一般化フレームワークTFT-ACB-XMLを提案する。
2014年10月1日から2026年1月5日までのBTCデータを用いた実証検証では,提案フレームワークの性能が向上した。
論文 参考訳（メタデータ） (2026-02-12T20:20:56Z) - Echo State Networks for Time Series Forecasting: Hyperparameter Sweep and Benchmarking [51.56484100374058]
我々は、完全に自動で純粋にフィードバック駆動のESNが、広く使われている統計的予測手法の代替となるかどうかを評価する。
予測精度は、MASEとsMAPEを用いて測定され、ドリフトや季節予測、統計モデルといった単純なベンチマークと比較される。
論文 参考訳（メタデータ） (2026-02-03T16:01:22Z) - Integrating LSTM Networks with Neural Levy Processes for Financial Forecasting [0.7734726150561088]
本稿では,資産価格予測のための金融モデルとディープラーニングの最適統合について検討する。
We developed a hybrid framework using a Long Short-Term Memory (TM) network with the Merton-Lévy jump-diffusion model。
予測性能を評価するため,いくつかのベンチマークモデルと比較した。
論文 参考訳（メタデータ） (2025-11-26T10:44:00Z) - Adaptive Deadline and Batch Layered Synchronized Federated Learning [66.93447103966439]
フェデレートラーニング(FL)は、データプライバシを保持しながら、分散エッジデバイス間で協調的なモデルトレーニングを可能にする。
我々は,レイヤワイドアグリゲーションのために,ラウンド単位の期限とユーザ固有のバッチサイズを共同で最適化する新しいフレームワークADEL-FLを提案する。
論文 参考訳（メタデータ） (2025-05-29T19:59:18Z) - Learning representations with end-to-end models for improved remaining
useful life prognostics [64.80885001058572]
残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。
マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。
提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
論文 参考訳（メタデータ） (2021-04-11T16:45:18Z) - Prediction of financial time series using LSTM and data denoising
methods [0.29923891863939933]
本稿では,ウェーブレット変換 (WT) と特異スペクトル解析 (SSA) を含むデータデノイジング法に基づくアンサンブル法を提案する。
WTとSSAは、元のシーケンスから有用な情報を抽出し、オーバーフィッティングを避けるため、ハイブリッドモデルはDJIAの閉値のシーケンスパターンをよりよく把握することができる。
論文 参考訳（メタデータ） (2021-03-05T07:32:36Z) - Deep Stock Predictions [58.720142291102135]
本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。
次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。
カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
論文 参考訳（メタデータ） (2020-06-08T23:37:47Z)
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。