論文の概要: Volatility-Clustering Adaptation for Financial Time Series

• arxiv url: http://arxiv.org/abs/2609.37715v1
• Date: Tue, 29 Sep 2026 14:45:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.643682
• Title: Volatility-Clustering Adaptation for Financial Time Series
• Title（参考訳）: 金融時系列のボラティリティ・クラスタリング適応
• Abstract要約: 時系列基礎モデルは、ターゲットデータの微調整によって、新しい領域に適応する傾向にある。 この仮定は、個別の価格変動の予測が困難である金融予測において失敗する可能性があることを示す。 オープン、ハイ、ロー、クローズ、ボリュームの価格バーで訓練された金融ファンデーションモデルを用いて、金融分野への適応には次の予測以上の訓練信号が必要であると論じる。
• 参考スコア（独自算出の注目度）: 6.082913523231794
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time-series foundation models are increasingly adapted to new domains through fine-tuning on target data, under the implicit assumption that more target data yields better forecasts. We show that this assumption can fail in financial forecasting, where individual price changes are difficult to predict, but large moves tend to cluster, creating alternating calm and turbulent periods. Using financial foundation models trained on price bars of open, high, low, close, and volume, we argue that adapting to financial domains requires training signals beyond next-token prediction. We introduce Volatility-Clustering Adaptation (VCA), which augments next-token cross-entropy with a differentiable penalty on the autocorrelation of squared returns, the standard statistical signature of volatility clustering. This additional objective provides a multi-step training signal by matching the resulting dependence structure of autoregressive rollouts to those of the realized future. Across three asset sets and two evaluation conventions, VCA improves adaptation over the pre-trained model, with the strongest gains under the primary evaluation (\textsc{fore}), driven primarily by reduced variance error. Overall, our results suggest that effective financial adaptation requires objectives that capture domain-specific temporal structure beyond token-level prediction.
• Abstract（参考訳）: 時系列基礎モデルは、より多くのターゲットデータがより良い予測をもたらすという暗黙の仮定の下で、ターゲットデータを微調整することで、新しいドメインに適応するようになっている。 この仮定は、個々の価格変動の予測が困難である金融予測において失敗する可能性があるが、大きな動きが集結する傾向にあり、穏やかで乱暴な期間が交互に発生する。 オープン、ハイ、ロー、クローズ、ボリュームの価格バーで訓練された金融ファンデーションモデルを用いて、金融分野への適応には次の予測以上の訓練信号が必要であると論じる。 ボラティリティ・クラスタリング適応 (VCA) を導入し, ボラティリティ・クラスタリングの標準的な統計的特徴である2乗リターンの自己相関に微分可能なペナルティを付して, 次トーケンのクロスエントロピーを増大させる。 この追加目的は、結果として生じる自己回帰ロールアウトの依存構造を、実現した未来のものとマッチングすることにより、多段階のトレーニング信号を提供する。 3つのアセットセットと2つの評価規則で、VCAは事前訓練されたモデルに対する適応を改善し、主に分散誤差の低減によって引き起こされる一次評価(\textsc{fore})の下で最も高い利得を得る。 全体として,有効な金融適応には,トークンレベルの予測を超えてドメイン固有の時間構造をキャプチャする目的が必要であることが示唆された。

関連論文リスト

• LEAF: A Living Benchmark for Event-Augmented Forecasting [78.94019460534442]
  LEAFは、イベント拡張予測タスクの最初の生きたベンチマークである。 我々は最先端のプロプライエタリかつオープンウェイトなLLMを評価した。 LLMは、より予測し易いと自信を持って判断し、より優れたパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-05-09T03:17:59Z)
• Context-Integrated Adversarial Learning for Predictive Modelling of Stock Price Dynamics [0.0]
  本稿では,文脈に敏感な対人学習モデルを導入し,株価の予測を行う。 このアーキテクチャは、将来の価格変動をモデル化するために敵対的トレーニングを使用し、財務的なテキストデータから派生した文脈的感情特徴を取り入れている。 米国株式のサンプルを実験的に評価すると、提案手法が従来のARIMAおよびLSTMベースラインを様々な誤差の尺度で上回っていることが証明される。
  論文  参考訳（メタデータ） (2026-04-13T18:51:01Z)
• GARCH-FIS: A Hybrid Forecasting Model with Dynamic Volatility-Driven Parameter Adaptation [5.461112265573671]
  本稿では、ファジィ推論システム(FIS)と一般化自己回帰ヘテロスケダスティック性(GARCH)モデルを統合し、非線形力学と時間変動ボラティリティを併用する。 提案したGARCH-FISモデルは、予測精度と安定性の点でベンチマークモデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2026-03-16T03:50:00Z)
• Regression Models Meet Foundation Models: A Hybrid-AI Approach to Practical Electricity Price Forecasting [39.91788164419845]
  回帰に基づく予測を強化する新しいパラダイムであるFutureBoostingを提案する。 私たちはこのパラダイムを、電力価格予測のための軽量でプラグアンドプレイのフレームワークにインスタンス化します。 我々のフレームワークは、最先端のTSFMとレグレッションベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-03-06T02:06:46Z)
• Entropy-Guided Token Dropout: Training Autoregressive Language Models with Limited Domain Data [89.96277093034547]
  本研究では,エントロピー誘導型トークンドロップアウト方式であるEntroDropを導入する。 本稿では,EntroDropが標準正規化ベースラインを一貫して上回り,拡張型マルチエポックトレーニングを通じて堅牢な性能を維持していることを示す。
  論文  参考訳（メタデータ） (2025-12-29T12:35:51Z)
• Re(Visiting) Time Series Foundation Models in Finance [3.295157175236371]
  金融時系列予測は、トレーディング、ポートフォリオ最適化、リスク管理の中心である。 時系列基礎モデル(TSFM)の最近の進歩は、大規模で多様なデータセットから一般化可能な時間表現を学習するための新しいパラダイムを提供する。 本稿では,グローバル金融市場におけるTSFMの総合的研究について紹介する。
  論文  参考訳（メタデータ） (2025-11-23T18:44:19Z)
• FinZero: Launching Multi-modal Financial Time Series Forecast with Large Reasoning Model [27.20045729222667]
  FinZeroは、FVLDBファイナンシャル時系列の推論、予測、分析的理解を行うために、UARPOによって微調整されたマルチモーダル事前訓練モデルである。 UARPOで微調整した後、FinZeroは高信頼グループのGPT-4oよりも予測精度が約13.48%向上した。
  論文  参考訳（メタデータ） (2025-09-10T16:32:41Z)
• 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)
• Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
  我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。 合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
  論文  参考訳（メタデータ） (2023-02-23T18:57:14Z)
• 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。