論文の概要: DIVINE: Simple Cross-Market Stock Pretraining via Diverse Indicator Reconstruction

• arxiv url: http://arxiv.org/abs/2610.02866v1
• Date: Fri, 02 Oct 2026 06:04:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 09:54:32.237515
• Title: DIVINE: Simple Cross-Market Stock Pretraining via Diverse Indicator Reconstruction
• Title（参考訳）: DIVINE: ディバイス・インディケータ・コンストラクションによる簡易クロスマーケット株式準備
• Abstract要約: 生のOHLCV履歴から技術指標を再構築する,シンプルな市場間事前学習フレームワークを提案する。 16の標準指標から77のターゲットを再構築し、学習したエンコーダのみを下流の株価ランキングに転送する。
• 参考スコア（独自算出の注目度）: 2.572795684474482
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Financial time-series pretraining typically learns from masked observations, contrastive relations, or future outcomes---yet existing objectives struggle to simultaneously avoid future-supervision uncertainty and maintain return-prediction alignment. We propose DIVINE (DIVerse INdicator rEconstruction), a simple cross-market pretraining framework that reconstructs technical indicators from raw OHLCV history. Computed from observed price-volume history, technical indicators provide consistently defined supervision across markets while summarizing diverse market dynamics with established relevance to return prediction. Pretrained jointly on six-equity market datasets, DIVINE reconstructs 77 targets derived from 16 standard indicators and transfers only the learned encoder to downstream stock ranking. Across all six markets, DIVINE achieves the strongest average portfolio performance with a lightweight 0.05M-parameter encoder, outperforming pretraining baselines and matching or exceeding substantially larger financial foundation models, while remaining robust and data-efficient. Systematic analyses show that indicator diversity and market diversity provide complementary gains in transfer. Together, these results suggest that supervision design and cross-market diversity---rather than model scale---are the key drivers of strong, transferable financial representations.
• Abstract（参考訳）: 金融時系列事前トレーニングは通常、マスクされた観察、対照的な関係、または将来の結果から学習する。 我々は、生のOHLCV履歴から技術指標を再構築するシンプルなクロスマーケット事前学習フレームワークであるDIVINE(DIVerse Indicator rEconstruction)を提案する。 観測された価格-量履歴から算出された技術的指標は、市場全体にわたって一貫して定義された監督を提供すると同時に、予測を返すための確立された関連性によって、様々な市場のダイナミクスを要約する。 16の標準指標から77のターゲットを再構築し、学習したエンコーダのみを下流の株価ランキングに転送する。 6つの市場全体では、DIVINEは軽量の0.05Mパラメータエンコーダで最強の平均ポートフォリオパフォーマンスを達成し、事前トレーニングベースラインを上回り、より大きな金融ファンデーションモデルに適合または超え、ロバストでデータ効率を保っている。 システム分析は、指標の多様性と市場の多様性が、転送において相補的な利益をもたらすことを示している。 これらの結果は、モデルスケールではなく、監督設計と市場横断の多様性が、強力な、移行可能な金融表現の鍵となることを示唆している。

関連論文リスト

• Increase Alpha: Performance and Risk of an AI-Driven Trading Framework [0.0]
  金融市場は非効率で、価格、ボリューム、断続的な関係が明らかにされていない。 increase Alphaでは、800以上の米国株を毎日の方向信号にマッピングするディープラーニングフレームワークを構築しました。 私たちは、透過的で業界標準のメトリクスを通してリアルタイムのパフォーマンスを評価します。
  論文  参考訳（メタデータ） (2025-09-20T14:37:02Z)
• Your AI, Not Your View: The Bias of LLMs in Investment Analysis [62.388554963415906]
  金融において、Large Language Models (LLMs) は、事前訓練されたパラメトリック知識とリアルタイム市場データとの相違から生じる、頻繁な知識紛争に直面している。 これらの対立は、モデル固有のバイアスが制度的目的と誤認される現実世界の投資サービスにおいて特に問題となる。 本研究では,このような紛争シナリオにおける創発的行動を調べるための実験的枠組みを提案し,投資分析におけるバイアスの定量的分析を行う。
  論文  参考訳（メタデータ） (2025-07-28T16:09:38Z)
• Agent Trading Arena: A Study on Numerical Understanding in LLM-Based Agents [69.58565132975504]
  大規模言語モデル(LLM)は、自然言語処理において顕著な能力を示した。 LLMをベースとしたエージェントが競合するマルチエージェント取引を行う仮想ゼロサム株式市場であるエージェントトレーディングアリーナを提示する。
  論文  参考訳（メタデータ） (2025-02-25T08:41:01Z)
• MCI-GRU: Stock Prediction Model Based on Multi-Head Cross-Attention and Improved GRU [29.760324699979417]
  本稿では,多頭部クロスアテンション機構と改良型GRUに基づくストック予測モデルMCI-GRUを提案する。 4つの主要株式市場での実験では、提案手法は複数の指標でSOTA技術を上回っている。
  論文  参考訳（メタデータ） (2024-09-25T14:37:49Z)
• 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)
• Joint Latent Topic Discovery and Expectation Modeling for Financial Markets [45.758436505779386]
  金融市場分析のための画期的な枠組みを提示する。 このアプローチは、投資家の期待を共同でモデル化し、潜伏する株価関係を自動的に掘り下げる最初の方法だ。 私たちのモデルは年率10%を超えるリターンを継続的に達成します。
  論文  参考訳（メタデータ） (2023-06-01T01:36:51Z)

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。