論文の概要: UQ-LOB: Uncertainty-Aware Limit Order Book Mid-Price Forecasting

• arxiv url: http://arxiv.org/abs/2609.31491v2
• Date: Mon, 28 Sep 2026 08:23:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-29 21:31:51.857671
• Title: UQ-LOB: Uncertainty-Aware Limit Order Book Mid-Price Forecasting
• Title（参考訳）: UQ-LOB:不確実性を意識したミドルプライス予測書
• Abstract要約: UQ-LOBは軽量でエンコーダに依存しない不確実性定量モジュールである。 プリトレーニングされたリミテッドオーダーブック(LOB)エンコーダにアタッチされる。 520億のLOBイベントにおいて、UQ-regressionは68%のインターバルカバレッジを達成している。
• 参考スコア（独自算出の注目度）: 8.822576958961514
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Forecasting short-horizon mid-price movements from limit order book (LOB) data is central to algorithmic trading, yet most deep LOB forecasters are point predictors: they output a direction or a displacement, but never indicate which of their forecasts can be trusted. We introduce UQ-LOB, a lightweight, encoder-agnostic uncertainty quantification module that attaches to any pretrained LOB encoder and, in the spirit of attentive neural processes, conditions each forecast on a context set of recently completed windows whose outcomes are already realised. The UQ-regression variant outputs a calibrated Gaussian over the future tick displacement, while the UQ-classification variant outputs a categorical distribution over down/up/stationary. Both expose a scalar confidence (predicted signal-to-noise ratio or class probability) that supports selective prediction. On 5.2 billion LOB events across seven cryptocurrency assets and horizons of 5, 10 and 15 seconds, UQ-regression attains near-nominal 68% interval coverage, and restricting to the most confident 10% of predictions raises directional macro F1 by 0.11-0.15 for UQ-regression and 0.05-0.11 for UQ-classification, at every horizon. On large, economically meaningful moves, the tightest confidence tier reaches a directional F1 of 0.88 (down) and 0.83 (up) at the 5-second horizon.
• Abstract（参考訳）: 制限順序表(LOB)データからの短水平中価格運動の予測はアルゴリズム取引の中心であるが、ほとんどの深いLOB予測器は点予測器であり、方向や変位を出力するが、どの予測が信頼できるかは示さない。 我々は,任意の事前学習されたLOBエンコーダにアタッチされる軽量でエンコーダに依存しない不確実性定量化モジュールであるUQ-LOBを紹介した。 UQ-回帰変種は将来のモッチ変位に対してキャリブレーションされたガウスを出力し、UQ-分類変種はダウン/アップ/静止のカテゴリー分布を出力する。 どちらも、選択的予測をサポートするスカラー信頼(予測信号対雑音比またはクラス確率)を公開する。 7つの暗号通貨資産と5,10秒、15秒の地平線にわたる52億のLOBイベントにおいて、UQ-Regressionは68%のインターバルカバレッジを達成し、最も確実な10%の予測に制限すると、UQ-Regressionは0.11-0.15、UQ-classificationは0.05-0.11となる。 経済的に意味のある大きな動きでは、最も強い信頼層が5秒の地平線で0.88(ダウン)と0.83(アップ)の方向F1に達する。

関連論文リスト

• From Financial Sentiment Classification to Return Predictability: A QLoRA Benchmark of Large Language Models [0.0]
  5つの財務テキストデータセットから3クラスを統一したベンチマークを構築した。 TF-IDF Naive Bayes,off-the-the-shelf FinBERT,Financial-RoBERTaエンコーダを比較した。 一時分離した2019 Benzingaサンプルの経済妥当性を評価した。
  論文  参考訳（メタデータ） (2026-08-04T19:57:40Z)
• Bi-Level Chaotic Fusion Based Graph Convolutional Network for Stock Market Prediction Interval [0.0]
  金融市場の予測は本質的に不確実であるが、ほとんどのディープラーニングアプローチは不確実性のない単一見積もりに依存している。 この問題は予測間隔を用いて解くことができ、予測の不確実性と低い境界が得られる。 しかし、現在の手法は資産間の関係を無視したり、適切な校正シャープネスを確保することができない傾向にある。
  論文  参考訳（メタデータ） (2026-05-05T05:06:42Z)
• Leap+Verify: Regime-Adaptive Speculative Weight Prediction for Accelerating Neural Network Training [0.0]
  本稿では,ニューラルネットワークトレーニングの高速化を目的としたLeap+Verifyを紹介する。 将来のモデルの重みを予測し、受け入れ前に予測を検証する。 GPT-2 124MのLeap+VerifyとWikiText-103で訓練されたQwen 2.5-1.5Bを5つのランダムシードで評価した。
  論文  参考訳（メタデータ） (2026-02-23T08:01:44Z)
• Calibrated Multi-Level Quantile Forecasting [7.617401548242403]
  マルチレベル量子トラッカーは、既存の点または量子予測器をラップして、キャリブレーションを達成するために保証された修正された予測を生成する。 実験の結果,MultiQTは感染拡大とエネルギー予測問題における実際の予測器の校正を著しく改善することがわかった。
  論文  参考訳（メタデータ） (2025-12-29T18:25:36Z)
• BayesQ: Uncertainty-Guided Bayesian Quantization [1.565870461096057]
  BayesQはトレーニング後の量子化フレームワークである。 後続の期待損失の下で量子化を最適化するのは、これが初めてである。 BayesQは低ビット量子化を不確実性を考慮したリスク最小化として再設定する。
  論文  参考訳（メタデータ） (2025-11-11T22:36:19Z)
• Monitoring State Transitions in Markovian Systems with Sampling Cost [65.4151496405543]
  自然なアプローチは、予想される予測損失がクエリコスト以下で、クエリがなければいつ発生するかを予測する、欲張りのポリシーである。 最適(OPT)戦略は状態依存のしきい値ポリシである。 遷移確率が未知の場合、我々は、グレディポリシーの予測勾配降下(PSGD)に基づく学習変種を提案する。
  論文  参考訳（メタデータ） (2025-10-25T15:07:37Z)
• FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond 10 Days Lead [93.67314652898547]
  人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。 FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。 その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
  論文  参考訳（メタデータ） (2023-04-06T09:16:39Z)
• Will My Robot Achieve My Goals? Predicting the Probability that an MDP Policy Reaches a User-Specified Behavior Target [56.99669411766284]
  自律的なシステムがタスクを実行する場合、ユーザの目標を達成する確率のキャリブレーションされた見積もりを維持する必要がある。 本稿では,ユーザの目標が目標間隔として指定される設定について検討する。 我々は、共形予測を反転させて確率推定を計算する。
  論文  参考訳（メタデータ） (2022-11-29T18:41:20Z)
• Probable Domain Generalization via Quantile Risk Minimization [90.15831047587302]
  ドメインの一般化は、目に見えないテスト分布でうまく機能する予測子を求める。 我々はDGのための新しい確率的フレームワークを提案し、高い確率でよく動作する予測器を学習することを目指している。
  論文  参考訳（メタデータ） (2022-07-20T14:41:09Z)
• Distribution-free uncertainty quantification for classification under label shift [105.27463615756733]
  2つの経路による分類問題に対する不確実性定量化(UQ)に焦点を当てる。 まず、ラベルシフトはカバレッジとキャリブレーションの低下を示すことでuqを損なうと論じる。 これらの手法を, 理論上, 分散性のない枠組みで検討し, その優れた実用性を示す。
  論文  参考訳（メタデータ） (2021-03-04T20:51:03Z)

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。