論文の概要: Evolve on the Host, Predict on the Edge: Deploying Online Neuroevolutionary Architecture Search for Cross-sectional Stock Return Prediction

• arxiv url: http://arxiv.org/abs/2610.10038v1
• Date: Wed, 07 Oct 2026 13:19:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.931807
• Title: Evolve on the Host, Predict on the Edge: Deploying Online Neuroevolutionary Architecture Search for Cross-sectional Stock Return Prediction
• Title（参考訳）: Evolve on the Host, Predict on the Edge:Deploying Online Neuroevolutionary Architecture Search for cross-sectional Stock Return Prediction
• Abstract要約: 我々は、小さなリカレントネットワークの人口を進化させるオンライン神経進化的アーキテクチャサーチであるONE-NASを適用した。 Piでは、1人のチャンピオンが24.6msの50ストックの窓と556msの40島のチャンピオンのアンサンブルを予測している。 2022年から2024年にかけての米国株の4つのパネルでは、島のチャンピオンのランク平均のアンサンブルが、実現した取引コストの純額+27.5%を返却している。
• 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: Accurate forecasting models are usually large, expensive to update online, and fixed in architecture once trained. We apply ONE-NAS, an online neuroevolutionary architecture search that evolves a population of small recurrent networks as each window of data arrives, to daily cross-sectional stock return prediction, and pilot it on a host and endpoint pipeline: the host runs the search and ships each generation's champion genomes over TCP/IP to a Raspberry Pi 4B, which predicts online. On the Pi a single champion predicts a 50-stock window in 24.6~ms and the ensemble of 40 island champions in 556~ms, far inside the daily decision cycle. On four panels of US mid-cap equities over 2022--2024, reading the population as a rank-mean ensemble of island champions returns $+27.5\%$ net of realised transaction costs, against $+11.3$ to $+14.8\%$ for online LSTM, online GRU and monthly-retrained LSTM baselines and $+4.5\%$ for the single best genome used in prior ONE-NAS work.
• Abstract（参考訳）: 正確な予測モデルは、通常、大きくて、オンラインで更新するのにコストがかかり、一度トレーニングされたアーキテクチャで修正される。 ONE-NASは、データのウィンドウが到着するたびに小さなリカレントネットワークの人口を進化させるオンライン神経進化的アーキテクチャ検索であり、日々のクロスセクションのストックリターン予測に適用される。 Piでは、1人のチャンピオンが24.6〜msで50ストックの窓を予測し、556〜msで40人のチャンピオンが集結する。 2022年から2024年にかけての米国中古株の4つのパネルでは、島のチャンピオンのランク平均アンサンブルとして人口は+27.5\%$、オンラインLSTM、オンラインGRU、月次規制付きLSTMベースラインの$+11.3$から$+14.8\%$、ONE-NASの以前の作業で使用される1つの最高のゲノムに対して$+4.5\%と引き換えに$+11.3$から$+14.8\%である。

関連論文リスト

• Forecast Accuracy Is Not Trading Profit: Evolving Small Recurrent Networks for Stock Return Prediction [0.262431552182773]
  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。
  論文  参考訳（メタデータ） (2026-10-06T06:20:33Z)
• Consensus-gated Multi-Agent Neural Architecture Search for Seismic Fault Segmentation [0.17188280334580194]
  地震断層セグメンテーションのためのニューラルネットワークは、しばしばコンピュータビジョンや医療画像領域から借用される。 古典的ニューラルアーキテクチャサーチ(NAS)は手作りの検索スペースと大規模な計算予算に限定されている。 本稿では,3つの大規模言語モデル(Claude, GPT-5.1, Gemini2.5Pro)からなるエージェントNASシステムを提案する。
  論文  参考訳（メタデータ） (2026-08-14T02:41:37Z)
• Agora: Collective and Permissionless Internet-Scale Pretraining of Large Language Models [50.733497395381164]
  Agoraは、インターネットグレードリンク上の帯域効率の高いパイプライン並列モデルシャーディングと、複数パーティのフォールトトレラントな集団操作を組み合わせる。 Pluralis-8BはFineWeb-Eduの500Bトークン上の8.6B-パラメータモデルのオープンで無許可の事前トレーニング実行である。
  論文  参考訳（メタデータ） (2026-07-14T23:32:18Z)
• Learning to Fold: prizewinning solution at LeHome Challenge 2026 (1st place online, 2nd offline) [0.0]
  LeHome Challenge 2026というICRA 2026のコンペティションのソリューションについて説明します。 このシステムは、オンライン(シミュレーション)ラウンドで62チーム中1位、実世界の決勝で2位にランクインした。
  論文  参考訳（メタデータ） (2026-06-25T15:31:23Z)
• Scaling Neural Network Verification with Tensor Parallelism and Fully Sharded Data Parallelism [0.0]
  形式的ニューラルネットワーク検証は、実際にはGPUメモリによって境界付けられている。 大規模なモデルトレーニングのために開発された2つのテクニックをauto_LiRPA / $,$-CROWN 検証フレームワークに適用する。 フルシャードデータ並列(FSDP)シャードは、層ごとのAllGatherで重量行列のみをシャードし、単一GPUベースラインとビット単位で同一のバウンドを生成する。
  論文  参考訳（メタデータ） (2026-06-08T11:56:29Z)
• Online Evolutionary Neural Architecture Search for Multivariate Non-Stationary Time Series Forecasting [72.89994745876086]
  本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。 ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。 その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
  論文  参考訳（メタデータ） (2023-02-20T22:25:47Z)
• Retrosynthetic Planning with Dual Value Networks [107.97218669277913]
  我々は、PDVN(Planning with Dual Value Networks)と呼ばれる新しいオンライントレーニングアルゴリズムを提案する。 PDVNは計画段階と更新段階を交互に行い、分子の合成性とコストを予測する。 広く使われているUSPTOデータセットでは、PDVNアルゴリズムが既存のマルチステッププランナの探索成功率を改善する。
  論文  参考訳（メタデータ） (2023-01-31T16:43:53Z)
• Boosted Dynamic Neural Networks [53.559833501288146]
  典型的なEDNNは、ネットワークバックボーンの異なる層に複数の予測ヘッドを持つ。 モデルを最適化するために、これらの予測ヘッドとネットワークバックボーンは、トレーニングデータのバッチ毎にトレーニングされる。 トレーニングと2つのフェーズでのインプットの異なるテストは、トレーニングとデータ分散のテストのミスマッチを引き起こす。 EDNNを勾配強化にインスパイアされた付加モデルとして定式化し、モデルを効果的に最適化するための複数のトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-11-30T04:23:12Z)
• Optimizing Privacy-Preserving Outsourced Convolutional Neural Network Predictions [23.563775490174415]
  近年の研究では、クエリと結果のプライバシに焦点が当てられているが、モデルホストサーバに対してモデルプライバシを提供していない。 本稿では,アウトソース環境でのプライバシ保護型ニューラルネットワーク予測のための新しい手法を提案する。 我々は、秘密の共有とトリプルト生成を伴う2つの非凝固サーバを活用して、重厚暗号の使用を最小限にする。
  論文  参考訳（メタデータ） (2020-02-22T08:47:22Z)

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。