論文の概要: A Hybrid LSTM-XGBoost Framework for Multi-Horizon Stock Return Prediction Across Diversified Equity Portfolios
- arxiv url: http://arxiv.org/abs/2609.13125v1
- Date: Fri, 11 Sep 2026 17:51:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.830972
- Title: A Hybrid LSTM-XGBoost Framework for Multi-Horizon Stock Return Prediction Across Diversified Equity Portfolios
- Title（参考訳）: 多様化されたポートフォリオ間の多水平ストックリターン予測のためのハイブリッドLSTM-XGBoostフレームワーク
- Abstract要約: 本稿では,長期記憶ネットワークとXGBoost勾配ブースト回帰器を組み合わせた2段階ハイブリッドアーキテクチャを提案する。
本研究では,30日間の地平線上での試験RMSEが0.0949,スタンドアローンLSTMベースラインの約3分の1を達成し,XGBoost-Onlyベースラインをほぼ一致または超えていることを示す。
- 参考スコア（独自算出の注目度）: 1.7779341598691802
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Accurate prediction of equity returns remains a major challenge in computational finance due to the non-stationary, nonlinear, and low signal-to-noise ratio nature of financial time series. This paper proposes a hybrid two-stage architecture that combines a long short-term memory (LSTM) network with an XGBoost gradient-boosted regressor for multi-horizon stock return prediction across a diversified panel of 14 U.S. equities spanning six industry sectors. The LSTM component, comprising two stacked layers with 64 hidden units, processes 60-day sliding windows of five sequential market features to produce 64-dimensional temporal embeddings that encode learned sequential market dynamics. These embeddings are concatenated with 14 hand-crafted technical indicators to form a 78-dimensional hybrid feature vector, which is subsequently passed to an XGBoost regressor tuned via 3-fold cross-validation grid search. The framework is trained on a multi-stock pooled corpus using strict chronological splits and per-stock MinMaxScaling to prevent look-ahead bias, and evaluated across four prediction horizons of 30, 90, 252, and 365 trading days. Experimental results demonstrate that the hybrid model achieves a test RMSE of 0.0949 on the 30-day horizon, roughly one-third that of the standalone LSTM baseline, while marginally matching or surpassing the XGBoost-Only baseline across the majority of stocks. Directional accuracy rises with horizon length, reaching 97.6% at 365 days; we show, however, that this largely tracks the high base rate of positive long-horizon returns in the sample, and we therefore benchmark directional accuracy against a naive always-positive predictor and treat the above-base-rate gap at short horizons as the more informative signal. A composite investment scoring framework derived from multi-horizon predictions is further proposed to support portfolio ranking and decision support.
- Abstract（参考訳）: 金融時系列の非定常的、非線形的、低信号-雑音比の性質のため、株価リターンの正確な予測は計算ファイナンスにおいて依然として大きな課題である。
本稿では,長寿命メモリ(LSTM)ネットワークとXGBoost勾配ブースト回帰器を組み合わせたハイブリッド2段階アーキテクチャを提案する。
LSTMコンポーネントは、64個の隠れユニットを持つ2つの積層層で構成され、シーケンシャル市場特徴の60日間のスライディングウィンドウを処理し、学習されたシーケンシャル市場ダイナミクスをエンコードする64次元の時間埋め込みを生成する。
これらの埋め込みは、14個の手作りの技術指標と結合して78次元のハイブリッド特徴ベクトルを形成し、その後3倍のクロスバリデーショングリッドサーチによって調整されたXGBoost回帰器に渡される。
このフレームワークは、厳密な時間分割と1株当たりのMinMaxScalingを用いて、マルチストックプールコーパスでトレーニングされ、30日、90日、252日、および365日の4つの予測地平線で評価される。
実験結果から,30日間の地平線上での試験RMSEが0.0949,スタンドアローンLSTMベースラインの約3分の1を達成し,XGBoost-Onlyベースラインをほぼ一致または超える結果を得た。
方向精度は水平長とともに上昇し、365日で97.6%に達するが、これは試料中の正の長水平リターンの高ベースレートをほとんど追跡していることを示し、従って、正の常正の予測器に対して方向精度をベンチマークし、短地平線における上記のベースレートギャップをより情報的な信号として扱う。
ポートフォリオのランキングと意思決定支援を支援するために,マルチ水平予測に基づく複合投資スコアリングフレームワークが提案されている。
関連論文リスト
- WaVeFuse: Regime-Adaptive Equity Index Forecasting via Channel-Wise Wavelet Denoising and Vertical Attention Fusion [0.0]
WaVeFuseは、エクイティ予測フレームワークのためのハイブリッドなDeep Learningである。
技術指標(TI)の伝搬、チャネル非識別分解、静的マルチブランチ融合に対処する。
WaVeFuseは、研究と意思決定支援のデプロイメントに適した、計算効率のよい、レシシロバストなフレームワークを提供する。
論文 参考訳（メタデータ） (2026-09-13T18:50:33Z) - 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) - On the Design of Qwen3.8-Next Architecture: Evaluation, Efficiency, and Training Stability [57.03393882933515]
Qwen3.8-Flash-Nextは125Bパラメータ、トークンあたり6Bアクティベートされ、加速器から保持されるn-gram埋め込みテーブルの51Bパラメータを持つスパースミックス・オブ・エキスパートモデルである。
トレーニング前の14のベンチマークでは、このモデルは前モデルの397B-A17Bを8点、残りを少なくとも2.6ポイント、アクティベートされたパラメータが1/3、トレーニングトークンが1/3、トレーニング用FLOPが1/9であった。
論文 参考訳（メタデータ） (2026-08-31T06:35:07Z) - 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) - CHRONOS: Temporally-Aware Multi-Agent Coordination for Evolving Data Marketplaces [3.252472808549431]
時間的知識グラフデータ市場は、静的設計において3つの結合した失敗に直面している。
我々は,これらの課題を一元的に扱える3層アーキテクチャであるChronosを紹介した。
論文 参考訳（メタデータ） (2026-05-22T17:47:45Z) - BWTA: Accurate and Efficient Binarized Transformer by Algorithm-Hardware Co-design [71.97035034203275]
バイナライゼーションにおけるゼロ点歪みを解析し,BWTA量子化方式を提案する。
本稿では,Smooth Multi-Stage Quantizationを提案し,レベルワイド・デグラデーション・ストラテジーとMagnitude Alignment Projection Factorを組み合わせた。
実験の結果、BWTAはTransformerベースのモデルに対して、GLUEでは平均3.5%、タスクでは2%未満の精度でフル精度のパフォーマンスにアプローチしていることがわかった。
論文 参考訳（メタデータ） (2026-04-05T04:25:07Z) - PolyBench: Benchmarking LLM Forecasting and Trading Capabilities on Live Prediction Market Data [3.7753883100108525]
textbfPolyBenchは、生の市場信号から現実世界のイベントを予測するためのベンチマークである。
ポリベンチを用いて、7つの最先端の大規模言語モデルを評価する。
本フレームワークは, 方向性の精度, 信頼性-重み付きリターン(CWR), 年次パーセンテージ収率(APY), シャープ比を評価する。
論文 参考訳（メタデータ） (2026-04-03T06:25:21Z) - Inst4DGS: Instance-Decomposed 4D Gaussian Splatting with Multi-Video Label Permutation Learning [52.867634524554795]
Inst4DGS (Inst4DGS) は4DGS (4D Gaussian Splatting) で、ガウス単位の長い軌道を持つ。
ビデオごとのラベル置換ラテントを導入し、異なるSinkhorn層を通してビデオ間の一致を学習する。
この明示的なラベルアライメントは、シャープな決定境界と時間的に安定したアイデンティティをアイデンティティドリフトなしで生成する。
論文 参考訳（メタデータ） (2026-03-19T01:49:20Z) - A Controlled Comparison of Deep Learning Architectures for Multi-Horizon Financial Forecasting: Evidence from 918 Experiments [0.0]
マルチ水平価格予測は、ポートフォリオ割り当て、リスク管理、アルゴリズム取引の中心である。
ディープラーニングアーキテクチャは、厳格な財務ベンチマークで評価できるよりも急速に成長しています。
ModernTCNは75パーセントの1位率で最高ランク(1.333)を獲得し、PatchTST(2.000)が続く。
論文 参考訳（メタデータ） (2026-02-27T03:27:04Z) - STEP3-VL-10B Technical Report [115.89015065130127]
STEP3-VL-10Bは、コンパクト効率とフロンティアレベルのマルチモーダルインテリジェンスとのトレードオフを再定義する軽量基盤モデルである。
そこで我々はPallel Coordinated Reasoning(PaCoRe)を実装して,テスト時間計算をスケールし,リソースをスケーラブルな知覚推論に割り当てる。
MMBenchでは92.2%、MMMUでは80.11%、AIME2025では94.43%、MathVisionでは75.95%である。
論文 参考訳（メタデータ） (2026-01-14T17:58:24Z) - 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。