論文の概要: Forecast Accuracy Is Not Trading Profit: Evolving Small Recurrent Networks for Stock Return Prediction

• arxiv url: http://arxiv.org/abs/2610.07825v1
• Date: Tue, 06 Oct 2026 06:20:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.842512
• Title: Forecast Accuracy Is Not Trading Profit: Evolving Small Recurrent Networks for Stock Return Prediction
• Title（参考訳）: 予測精度はトレーディング利益ではない-株価リターン予測のための小さなリカレント・ネットワークの展開
• Abstract要約: 神経進化的アーキテクチャサーチによって進化したリカレントネットワークに対して,線形,固定リカレント,トランスフォーマー,混合ベースアーキテクチャを比較した。 すべてのモデルは、宇宙全体にわたってトレーニングされた1つのネットワークであるプールされたパネルに収まる。 ネットワークは、予測精度とネット取引性能の両方でランク付けされる。
• 参考スコア（独自算出の注目度）: 0.262431552182773
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series forecasting models are typically compared on pointwise error, which scores a prediction in isolation from the decision it is produced for, and a lower forecast error does not imply a better decision downstream. A parallel debate asks whether modern transformer architectures forecast better than recurrent and other lightweight models. We compare linear, fixed recurrent, transformer, and mixing based architectures against recurrent networks evolved by neuroevolutionary architecture search, evaluating each on forecast accuracy and on the net return of a daily long/short strategy. All models are fit on a pooled panel, one network trained across the whole universe. Across four mid-cap portfolios and three trading years, the evolved networks rank first on both forecast accuracy and net trading performance, while the second most accurate model loses money once positions are formed and costs are charged. The advantage tracks a horizon match, since rank IC for the evolved networks rises from a one-day to a ten-day scoring horizon while every model above 300 parameters declines. They are also the cheapest end to end: a CPU-only search of 16 minutes yields 66-weight networks that predict in 10.8~$μ$s on a Raspberry Pi Zero, against transformer baselines of up to 817,153 parameters that require GPU training.
• Abstract（参考訳）: 時系列予測モデルは、通常、ポイントワイドエラーで比較されるが、これは、生成された決定から独立して予測をスコアし、低い予測誤差は、下流でのより良い決定を意味するものではない。 並列的な議論は、現代のトランスフォーマーアーキテクチャがリカレントや他の軽量モデルよりも良い予測をしているのかを問うものである。 神経進化的アーキテクチャサーチによって進化したリカレントネットワークに対して,線形,固定されたリカレント,トランスフォーマー,混合に基づくアーキテクチャを比較し,予測精度と1日長短戦略のネットリターンを評価する。 すべてのモデルは、宇宙全体にわたってトレーニングされた1つのネットワークであるプールされたパネルに収まる。 4つの中規模ポートフォリオと3つのトレーディング年にわたって、進化したネットワークは予測精度とネットトレーディングパフォーマンスの両方で第1位にランクされ、第2の最も正確なモデルでは、ポジションが形成されコストが課金されると、お金を失う。 アドバンテージは、進化したネットワークのランクICが1日から10日間のスコアリング水平線に上昇するのに対して、300以上のパラメータ以上のモデルはすべて減少するため、水平線マッチングを追跡する。 CPUのみの16分検索では、GPUトレーニングを必要とする最大817,153パラメータのトランスフォーマーベースラインに対して、Raspberry Pi Zero上で10.8~$μ$sで予測される66-weightネットワークが生成される。

関連論文リスト

• Halo: Improving forecast accuracy through heteroscedastic estimation [0.0]
  本報告では, 時系列外における不連続推定の否定的な結果とは対照的に, 点推定の精度も向上することを示す。 Haloは、既存のディープラーニングのアーキテクチャを再利用する修正であり、インプリート分布のスケールの2番目のアウトプットを提供する。
  論文  参考訳（メタデータ） (2026-09-06T18:03:06Z)
• Forecasting Downstream Performance of LLMs With Proxy Metrics [37.61408486519996]
  本稿では,トークンレベルの統計値(エントロピー,トップk精度,エキスパートトークンランクなど)を集約することで,プロキシメトリクスを構築することを提案する。 3つの設定で、我々のプロキシは損失ベースのベースラインと計算ベースのベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-05-18T16:17:15Z)
• An Optimization Method for Autoregressive Time Series Forecasting [4.467218412104476]
  現在の時系列予測モデルは、主にトランスフォーマースタイルのニューラルネットワークに基づいている。 本稿では,2つの重要な特性を強制する時系列予測のための新しいトレーニング手法を提案する。 提案手法はiTransformerと比較してMSEを10%以上削減する。
  論文  参考訳（メタデータ） (2026-02-02T16:28:00Z)
• Context-Aware Inference via Performance Forecasting in Decentralized Learning Networks [0.0]
  分散学習ネットワークでは、多くの参加者からの予測が組み合わされ、ネットワーク推論が生成される。 我々は,機械学習を用いて時系列の各エポックにおけるモデルによる予測性能を予測するモデルを開発した。
  論文  参考訳（メタデータ） (2025-10-07T20:30:21Z)
• Outcome-based Reinforcement Learning to Predict the Future [1.4313866885019229]
  コンパクトな(14B)推論モデルは、o1のようなフロンティアモデルの予測精度に適合または超えるように訓練可能であることを示す。 ポリマーケットのトレーディングシミュレーションでは、その賭けが10%以上の投資のリターンをもたらすと見積もっている。
  論文  参考訳（メタデータ） (2025-05-23T14:56:07Z)
• A Dynamical Model of Neural Scaling Laws [79.59705237659547]
  ネットワークトレーニングと一般化の解決可能なモデルとして,勾配降下で訓練されたランダムな特徴モデルを分析する。 我々の理論は、データの繰り返し再利用により、トレーニングとテスト損失のギャップが徐々に増大することを示している。
  論文  参考訳（メタデータ） (2024-02-02T01:41:38Z)
• Towards an Understanding of Benign Overfitting in Neural Networks [104.2956323934544]
  現代の機械学習モデルは、しばしば膨大な数のパラメータを使用し、通常、トレーニング損失がゼロになるように最適化されている。 ニューラルネットワークの2層構成において、これらの良質な過適合現象がどのように起こるかを検討する。 本稿では,2層型ReLUネットワーク補間器を極小最適学習率で実現可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-06T19:08:53Z)
• Confidence Adaptive Anytime Pixel-Level Recognition [86.75784498879354]
  任意の時間推論は、いつでも停止される可能性のある予測の進行を行うモデルを必要とする。 我々は,任意のピクセルレベルの認識に対して,最初の統一とエンドツーエンドのモデルアプローチを提案する。
  論文  参考訳（メタデータ） (2021-04-01T20:01:57Z)

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。