論文の概要: WaVeFuse: Regime-Adaptive Equity Index Forecasting via Channel-Wise Wavelet Denoising and Vertical Attention Fusion
- arxiv url: http://arxiv.org/abs/2609.14733v1
- Date: Sun, 13 Sep 2026 18:50:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.909863
- Title: WaVeFuse: Regime-Adaptive Equity Index Forecasting via Channel-Wise Wavelet Denoising and Vertical Attention Fusion
- Title（参考訳）: WaVeFuse:チャンネルワイズウェーブレットによる正規適応等価指数予測と垂直アテンション融合
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hybrid Deep Learning for equity index forecasting is limited by three problems: propagation of OHLCV noise into derived technical indicators (TIs), channel-indiscriminate multi-scale decomposition that conflates heterogeneous frequency signatures, and static multi-branch fusion that cannot adapt to market regime shifts. WaVeFuse addresses these limitations through a unified dual-branch architecture. Symlet-4 wavelet denoising (level 2, MAD soft threshold) suppresses microstructure noise in OHLCV. Seven low-lag TIs computed from denoised prices are encoded by a causal channel-wise continuous wavelet transform (Morlet, 32 scales) into a per-timestep scale-space matrix. A CNN-BiLSTM branch captures temporal dynamics, while a dual-layer Transformer (heads=4, dk in {16, 32}) models inter-scale spectral dependencies, and their representations are integrated by a 2-token softmax gate Vertical Attention Fusion (VAF) that dynamically reweights branches as market regimes shift. Evaluated under walk-forward validation (WFV) on KOSPI, DAX, NYSE Composite, and Russell 2000 (2010-2023), WaVeFuse achieves R2 = 0.81-0.96 and directional accuracy 70.5-78.3%. It outperforms seven state-of-the-art models by 8.9-20.2% MAE across twelve dataset-period configurations. Diebold-Mariano statistics (4.62-10.38, p<0.001) confirm superiority over a well-tuned XGBoost benchmark across four indices. Ablation verifies component-wise contributions. Under realistic backtesting with 10 basis point transaction costs, WaVeFuse's directional strategy achieves a mean Sharpe ratio of 3.69 across four markets and limits maximum drawdown to 7.5% during the COVID-19 crash. With 152k parameters (0.68MB) and sub-1.3ms GPU inference, WaVeFuse delivers a computationally efficient, regime-robust framework suitable for research and decision-support deployment.
- Abstract（参考訳）: 株価指数予測のためのハイブリッドディープラーニングは、OHLCVノイズを誘導された技術指標(TI)に伝搬すること、不均一な周波数シグネチャを混在させるチャネル非識別のマルチスケール分解、市場体制の変化に適応できない静的なマルチブランチ融合の3つの問題によって制限されている。
WaVeFuseは、これらの制限に統一されたデュアルブランチアーキテクチャを通して対処する。
Symlet-4ウェーブレット(レベル2、MADソフトしきい値)はOHLCVの微細構造ノイズを抑制する。
復号化価格から計算した7つの低遅延TIは、因果チャネルワイド連続ウェーブレット変換(Morlet, 32スケール)により、タイムステップ単位のスケール空間行列に符号化される。
CNN-BiLSTMブランチは時間的ダイナミクスをキャプチャし、二重層トランスフォーマー(heads=4, dk in {16, 32})はスケール間のスペクトル依存性をモデル化し、それらの表現は市場体制がシフトするにつれてブランチを動的にリウェイトする2つのソフトマックスゲートの垂直アテンション・フュージョン(VAF)によって統合される。
KOSPI、DAX、NYSE Composite、Russell 2000 (2010-2023) のウォークフォワード検証 (WFV) の下で評価され、WaVeFuse は R2 = 0.81-0.96 と方向精度 70.5-78.3% を達成する。
これは12のデータセット-周期構成で7つの最先端モデルを8.9-20.2%のMAEで上回っている。
Diebold-Mariano 統計 (4.62-10.38, p<0.001) は、4つの指標にまたがるよく調整された XGBoost ベンチマークよりも優れていることを確認した。
アブレーションはコンポーネントワイドコントリビューションを検証する。
10ベーシックポイントのトランザクションコストによる現実的なバックテストの下で、WaVeFuseの方向性戦略は、4つの市場の平均シャープ比3.69を達成し、新型コロナウイルス(COVID-19)の崩壊時に最大で7.5%まで減少する。
152kのパラメータ (0.68MB) とサブ-1.3msのGPU推論により、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。
関連論文リスト
- 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) - TurboT2VA: Fast Large-Scale Text-to-Video-Audio Generation via Score-Regularized Consistency Distillation [105.14745366152725]
TurboT2VAは、ジョイントテキスト・ツー・ビデオ・オーディオ生成のための蒸留および推論フレームワークである。
LTX-2では、4段階の蒸留により512$times$768の標準評価解像度でジェネレータのレイテンシを50.52sから2.51sに短縮する。
完全なスタックは、ジェネレータのレイテンシを318.74sから1つのNVIDIA H20で5.83sに短縮し、54.67$times$ジェネレータのみのスピードアップを達成した。
論文 参考訳（メタデータ） (2026-08-25T15:09:02Z) - Fast, accurate, and differentiable: a neural-network surrogate for NRSur7dq4 precessing binary black hole waveforms [0.0]
NRSur7dq4重力波形モデルをエミュレートするニューラルネットワークサロゲートモデルを提案する。
我々は、NRSur7dq4に対するサロゲートを、その全パラメータ空間にまたがる10,000の波形に対して検証する。
これは、評価されたNR忠実な精度と完全に微分可能なGPU加速推論パイプラインを組み合わせた、先行する数値相対性理論波形モデルの初めてのニューラルネットワークサロゲートである。
論文 参考訳（メタデータ） (2026-07-27T18:08:33Z) - CLEAR-MoE: Shared-Basis Expert Extraction from Frozen Vision Transformers via Calibration-Driven Layer Selection [0.0]
CLEAR-MoEは、凍結した事前訓練されたビジョントランスフォーマー(ViT)をバックボーン重みを更新することなく、スパースミクチャー・オブ・エクササイズ(MoE)モデルに変換するポストトレーニングパイプラインである。
GTX 960では、ルーティングと散乱計のオーバーヘッドにより、CLEAR-MoE FFN 1.3-1.7xは高密度ルータよりも遅い。
論文 参考訳（メタデータ） (2026-06-26T18:12:03Z) - Heterogeneous 2D/1D Signal Representation Fusion for Underwater Acoustic Modulation Recognition Under Distribution Shift [14.066845914592564]
変調認識システムは異種信号表現に依存している。
SCP-TriCA は STFT, cyclostationary, P2/P4 (2階および4階のパワースペクトル) を階層的に融合する。
UAMR-ShiftBenchでは、SCP-TriCAは95.33%の分配精度と74.59%のシミュレーションOOD平均を達成した。
論文 参考訳（メタデータ） (2026-06-08T11:13:05Z) - How Much Capacity Does EEG Denoising Need? Ultra-Compact Networks reveal Benchmark Saturation and Metric-Utility Gap [0.0]
深層学習EEG(Deep Learning EEG Denoising Architectures)は、数万から数千万のパラメータに拡張されているが、実験変数としてモデルキャパシティを分離した以前の研究はない。
アーキテクチャ,損失,データ分割,トレーニングレシピの両ギャップに対処し,最小限の深さ分離可能な畳み込みU-Netで1.05Kから40.26Kパラメータまでのチャネル幅を網羅する。
論文 参考訳（メタデータ） (2026-06-07T12:17:25Z) - Normalized Architectures are Natively 4-Bit [49.13186675123547]
重みと隠れ表現を単位超球面に制限するアーキテクチャであるnGPTは、本質的に低精度算術よりも堅牢である。
本手法は,最大3B/30Bパラメータの1.2B密度モデルとハイブリッド(Mamba-Transformer)MoEモデルの両方で検証する。
論文 参考訳（メタデータ） (2026-05-07T11:54:07Z) - Full-Duplex-Bench-v3: Benchmarking Tool Use for Full-Duplex Voice Agents Under Real-World Disfluency [61.68376148916503]
FDB-v3 (Full-Duplex-Bench-v3) は、自然言語条件下での音声モデルの評価と多段階ツールの使用のためのベンチマークである。
以前の作業とは異なり、データセットは5つのディスフルカテゴリにアノテートされた実際の人間のオーディオで構成されており、4つのタスクドメインにチェーンされたAPI呼び出しを必要とするシナリオとペアリングされています。
GPT-Realtime、Gemini Live 2.5、Gemini Live 3.1、Grok、Ultravox v0.7、従来のカスケードパイプライン(Whisper$rightarrow$rightarrow$TTS)の6つのモデル構成を精度、レイテンシ、ターンで評価した。
論文 参考訳（メタデータ） (2026-04-06T16:46:52Z) - 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) - 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) - Extreme Model Compression for Edge Vision-Language Models: Sparse Temporal Token Fusion and Adaptive Neural Compression [0.0]
2つの適応圧縮技術は、アルゴリズムの革新とハードウェア対応の最適化を統合するために提案されている。
イベントベースの視覚タスクでは、STTFは平均トークン数を84%削減する。
ANCは低モーションシーンでFLOPを最大90%カットする。
論文 参考訳（メタデータ） (2025-11-23T15:43:00Z)
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。