論文の概要: DSTNet: Dynamic Spectral Trajectory Network for Causal Multi-Horizon Financial Forecasting

• arxiv url: http://arxiv.org/abs/2610.09654v1
• Date: Wed, 07 Oct 2026 08:25:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.797187
• Title: DSTNet: Dynamic Spectral Trajectory Network for Causal Multi-Horizon Financial Forecasting
• Title（参考訳）: DSTNet:Causal Multi-Horizon Financial Forecastingのための動的スペクトル軌道網
• Abstract要約: DSTNetは、20日間の振り返りで、7つの後続の技術的指標から作られた因果的ダイナミックスペクトル軌道である。 我々は、共通の拡張ウィンドウプロトコルと1年間の無修正ホールドアウトの下で、7つのエクイティ指標と金を評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wavelet-based financial forecasters typically use the transform only to denoise, or reduce it to a single spectral snapshot at the forecast origin, and the convolution that produces the coefficients is usually bilateral, so it can read past the forecast origin. DSTNet instead retains the recent evolution of filter-bank magnitudes as a causal Dynamic Spectral Trajectory, built from seven trailing technical indicators over a twenty-day lookback with a one-sided Morlet-derived filter bank and an explicit burn-in for the left-boundary transient. A factorized Scale-Temporal Spectral Transformer attends along the time and filter-bank axes separately, a learned gate fuses the spectral branch with a CNN-BiLSTM, and horizon-specific gates emit one, three, five, and ten day forecasts in a single pass. We evaluate seven equity indices and gold under a common expanding-window protocol and an untouched one-year hold-out, against nine learned baselines and a random-walk persistence benchmark. Under MAE and MAPE, persistence is the strongest of the ten fixed competitors in 29 of the 32 series-horizon cells and DSTNet is the only model below it in every cell, by 0.7 to 0.9 percent at one day and 3.4 to 4.5 percent at ten days. At one day, paired testing favours DSTNet against the weaker learned baselines but is inconclusive against persistence and the strongest learned forecasters. A downstream allocation diagnostic does not support an equity-timing advantage on any of the seven indices.
• Abstract（参考訳）: ウェーブレットベースの金融予測器は、典型的には、この変換を使って予測原点の1つのスペクトルスナップショットに分解したり、縮小したりすることしかできず、係数を生成する畳み込みは通常両側にあるので、予測原点を過ぎて読むことができる。 DSTNetは、近年のフィルタバンクの大きさの進化を、片面のMorlet型フィルタバンクと左辺の過渡性の明示的なバーンインを備えた20日間の見返りで、7つの後続の技術的指標から構築された因果的ダイナミックスペクトル軌道として維持している。 分解されたスケール・テンポラル・スペクトル変換器は時間に沿って参加し、フィルタバンク軸は別々に行われ、学習されたゲートはスペクトル分岐をCNN-BiLSTMで融合し、水平比ゲートは1、3、5、10日の予測を1回のパスで出力する。 我々は,共通の拡張ウィンドウプロトコルと1年間の無タッチホールドアウトの下で,9つの学習ベースラインとランダムウォーク持続性ベンチマークに対して,7つのエクイティ指標と金の評価を行った。 MAEとMAPEの下では、32個の水平セルのうち29個の固定されたコンペティターの中で永続性が最強であり、DSTNetは1日当たり0.7%から0.9%、10日間で3.4から4.5パーセントのモデルである。 ある日、ペアテストは、より弱い学習ベースラインに対してDSTNetを好むが、永続性と最も強力な学習予測者に対して決定的ではない。 下流のアロケーション診断は、7つの指標のいずれにおいても、株式を優先する優位性をサポートしない。

関連論文リスト

• WaVeFuse: Regime-Adaptive Equity Index Forecasting via Channel-Wise Wavelet Denoising and Vertical Attention Fusion [0.0]
  WaVeFuseは、エクイティ予測フレームワークのためのハイブリッドなDeep Learningである。 技術指標(TI)の伝搬、チャネル非識別分解、静的マルチブランチ融合に対処する。 WaVeFuseは、研究と意思決定支援のデプロイメントに適した、計算効率のよい、レシシロバストなフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-09-13T18:50:33Z)
• A Hybrid LSTM-XGBoost Framework for Multi-Horizon Stock Return Prediction Across Diversified Equity Portfolios [1.7779341598691802]
  本稿では,長期記憶ネットワークとXGBoost勾配ブースト回帰器を組み合わせた2段階ハイブリッドアーキテクチャを提案する。 本研究では,30日間の地平線上での試験RMSEが0.0949,スタンドアローンLSTMベースラインの約3分の1を達成し,XGBoost-Onlyベースラインをほぼ一致または超えていることを示す。
  論文  参考訳（メタデータ） (2026-09-11T17:51:47Z)
• Long Horizon Transformer Quantile Fault Prediction for Multi Site Industrial Predictive Maintenance [0.0]
  ロングホライズン予測メンテナンスは、時間ではなく数日で測定される計画ウィンドウに対して、通常の運用/登録の変動からゆっくりと変化する劣化を区別するモデルを必要とする。 本稿では,明示的な条件量子表現が,この問題に対して情報型分類器インタフェースを提供するか否かを評価する。 提案するTQRNN30dフレームワークは,2段量子回帰ニューラルネットワーク(QRNN)特徴抽出器とマルチストリーム時間融合分類器を組み合わせたものである。
  論文  参考訳（メタデータ） (2026-09-04T07:57:33Z)
• On the Design of Qwen3.8-Next Architecture: Evaluation, Efficiency, and Training Stability [57.03393882933515]
  Qwen3.8-Flash-Nextは125Bパラメータ、トークンあたり6Bアクティベートされ、加速器から保持されるn-gram埋め込みテーブルの51Bパラメータを持つスパースミックス・オブ・エキスパートモデルである。 トレーニング前の14のベンチマークでは、このモデルは前モデルの397B-A17Bを8点、残りを少なくとも2.6ポイント、アクティベートされたパラメータが1/3、トレーニングトークンが1/3、トレーニング用FLOPが1/9であった。
  論文  参考訳（メタデータ） (2026-08-31T06:35:07Z)
• 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)
• When Do Autoregressive Sequence Models Forecast Physical Wavefields? A Controlled Study on Synthetic Seismograms [43.8784307709823]
  物理信号の長距離自己回帰予測は誤差蓄積によって制限される。 物理的に構造化されたテストベッドとして,合成3成分地震計を用いて,このようなロールアウトが安定であるかどうかを問う。
  論文  参考訳（メタデータ） (2026-06-09T13:46:14Z)
• ATLAS: All-round Testing of Long-context Abilities across Scales [42.83200405769639]
  ATLASは、長文評価を長さ依存の能力プロファイルとして再定義するベンチマークフレームワークである。 ATLASは、(i)アプリケーションワークロードから基礎的な操作を分離する階層化された分類法、(ii)固定された8K-1Mグリッド上のスコア長曲線を統合するAUCスコア、(iii)不均衡なプロファイルをペナルライズする分類カテゴリー上の調和平均集計であるATLAScoreの3つの方法論に貢献する。
  論文  参考訳（メタデータ） (2026-05-27T07:33:47Z)
• Learning-based Radio Link Failure Prediction Based on Measurement Dataset in Railway Environments [46.243901410461596]
  CNN、LSTM、XGBoost、Anomaly Transformer、PatchTST、TimesNetの6つのモデルをベンチマークする。 その結果,商用デバイスで利用可能な軽量機能を用いて,信頼性の低下を事前に予測できることが示唆された。
  論文  参考訳（メタデータ） (2025-11-12T00:13:37Z)
• Temporal Fusion Transformer for Multi-Horizon Probabilistic Forecasting of Weekly Retail Sales [5.023398151088689]
  本稿では、TFT(Temporal Fusion Transformer)を用いた毎週のウォルマート販売に関する新しい研究について述べる。 パイプラインはQuantile Lossを通じて1週間から5週間の確率予測を生成する。 固定された2012年のホールトアウトデータセットで、TFTは1店舗当たり57.9k米ドルのRMSEと0.9875ドルのR2ドルを達成している。
  論文  参考訳（メタデータ） (2025-11-01T13:34:29Z)
• CARD: Channel Aligned Robust Blend Transformer for Time Series Forecasting [50.23240107430597]
  本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。 まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。 第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。 第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
  論文  参考訳（メタデータ） (2023-05-20T05:16:31Z)

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。