論文の概要: KiT: A Foundation Model for Financial Time-Series Forecasting using DiffusionTransformers

• arxiv url: http://arxiv.org/abs/2609.34507v1
• Date: Mon, 28 Sep 2026 07:51:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 12:55:50.746041
• Title: KiT: A Foundation Model for Financial Time-Series Forecasting using DiffusionTransformers
• Title（参考訳）: KiT:拡散変換器を用いた金融時系列予測の基礎モデル
• Abstract要約: K線拡散変圧器基礎モデルであるKiTを導入し,フローマッチングによる条件付き経路生成として将来の予測を再構成する。 複数の市場とタイムスケールにまたがる何十億ものロウソクスティックバー上で、複数のパラメータスケールでKiTを事前トレーニングします。 3つの市場と7つの解像度で、KiTは平均リターンランディック0.057、平均ボラティリティーランディック0.066を達成している。
• 参考スコア（独自算出の注目度）: 5.7152737299020275
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Financial candlestick forecasting is fundamental to quantitative investment, yet it remains exceptionally challenging due to extremely low signal-to-noise ratios and vast heterogeneity across markets and instruments. Existing approaches have largely attempted to introduce deep learning to capture hidden temporal features, but most adopt an auto-regressive formulation, which leads to error accumulation during inference. Meanwhile, general-purpose time-series foundation models are not tailored to the unique structure of k-line data and yield unsatisfactory performance on downstream candlestick forecasting tasks. To tackle these problems, we introduce KiT, a K-line Diffusion Transformer foundation model, and reformulate future prediction as conditional path generation via flow matching: given a historical context window, the model generates an ensemble of plausible future OHLCV trajectories. We pre-train KiT at multiple parameter scales on billions of candlestick bars spanning multiple markets and timescales. Across three markets and seven resolutions, KiT attains a mean return RankIC of 0.057 and a mean volatility RankIC of 0.66, leading at every timescale and outperforming both task-specific financial forecasters and general time-series foundation models. Code will be available at: https://github.com/Luciferbobo/KiT.
• Abstract（参考訳）: 金融キャンドルスティックの予測は量的投資に欠かせないが、信号対雑音比が極端に低く、市場や機器全体の異質性が大きいため、非常に難しい。 既存のアプローチは、隠れた時間的特徴を捉えるためにディープラーニングを導入しようと試みてきたが、その多くは自動回帰式を採用しており、推論中にエラーの蓄積につながる。 一方、汎用時系列基礎モデルは、kラインデータのユニークな構造に適合せず、下流のロウソク予測タスクで不満足な性能が得られる。 これらの問題に対処するため,K線拡散変圧器基礎モデルであるKiTを導入し,フローマッチングによる条件付き経路生成として将来の予測を再構成する。 複数の市場とタイムスケールにまたがる何十億ものロウソクスティックバー上で、複数のパラメータスケールでKiTを事前トレーニングします。 3つの市場と7つの解像度で、KiTは平均リターンRangICが0.057、平均ボラティリティR RankICが0.66に達し、タスク固有の財務予測モデルと一般時系列の基礎モデルの両方を上回っている。 コードは、https://github.com/Luciferbobo/KiT.comから入手できる。

関連論文リスト

• QuitoBench: A High-Quality Open Time Series Forecasting Benchmark [32.21290355342465]
  時系列予測は、ファイナンス、ヘルスケア、クラウドコンピューティングにおいて重要である。 時系列予測のための状態バランスのベンチマークであるtextscQuitoBenchを紹介する。
  論文  参考訳（メタデータ） (2026-03-27T02:24:34Z)
• Time-Aware Prior Fitted Networks for Zero-Shot Forecasting with Exogenous Variables [59.37476887007663]
  我々は、(PFNとは違って)時間認識の事前データ適合型ネットワーク(PFN)であるApolloPFNを開発した。 i) PFNが時系列に適用されたときに発生する障害モードを解決するために調整された合成データ生成手順,(ii)時系列コンテキストを利用するのに必要な帰納的バイアスを埋め込んだ時間アウェアなアーキテクチャ修正。
  論文  参考訳（メタデータ） (2026-03-16T18:33:23Z)
• Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
  時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。 微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。 モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
  論文  参考訳（メタデータ） (2025-09-28T07:07:13Z)
• Kronos: A Foundation Model for the Language of Financial Markets [42.048823655500115]
  金融Kラインモデリングに適した,統一的でスケーラブルな事前学習フレームワークであるKronosを提案する。 Kronosは、継続的な市場情報をトークンシーケンスに識別し、価格ダイナミクスと取引活動パターンの両方を保存する。 我々はKronosを、45のグローバル取引所から120億以上のKラインレコードの巨大なマルチマーケットコーパスで自己回帰目標を用いて事前訓練する。
  論文  参考訳（メタデータ） (2025-08-02T13:15:59Z)
• $K^2$VAE: A Koopman-Kalman Enhanced Variational AutoEncoder for Probabilistic Time Series Forecasting [11.83736650205371]
  確率的時系列予測(PTSF)は、経済、エネルギー、輸送など様々な分野における意思決定において重要な役割を果たしている。 我々は、非線形時系列を線形力学系に変換する効率的なVAEベースの生成モデルであるK2$VAEを紹介する。 K2$VAEは、短期および長期のPTSFにおいて最先端のメソッドより優れており、より効率的で正確なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-05-29T02:52:59Z)
• Lag-Llama: Towards Foundation Models for Probabilistic Time Series Forecasting [54.04430089029033]
  本稿では,デコーダのみの変換器アーキテクチャに基づく時系列予測のための汎用基礎モデルであるLag-Llamaを提案する。 Lag-Llamaは、複数のドメインからの多様な時系列データの大規模なコーパスで事前訓練され、強力なゼロショット一般化能力を示す。 このような未確認データセットの比較的小さな部分で微調整を行うと、Lag-Llamaは最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-10-12T12:29:32Z)
• Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
  長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。 多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。 深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。 本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-18T16:21:15Z)
• Low-Rank Temporal Attention-Augmented Bilinear Network for financial time-series forecasting [93.73198973454944]
  ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。 近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。 本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
  論文  参考訳（メタデータ） (2021-07-05T10:15:23Z)

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。