論文の概要: HAN-Mamba: Hierarchical Selective State Space Networks for Multi-Scale Financial Volatility Forecasting

• arxiv url: http://arxiv.org/abs/2610.10323v1
• Date: Wed, 07 Oct 2026 16:12:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:23.029736
• Title: HAN-Mamba: Hierarchical Selective State Space Networks for Multi-Scale Financial Volatility Forecasting
• Title（参考訳）: HAN-Mamba:マルチスケール金融変動予測のための階層的選択型状態空間ネットワーク
• Abstract要約: 短期間に実現されたボラティリティ予測には、互換性のない時間分解能で進化する市場情報の統合が必要である。 本稿では,2次注意エンコーダを選択的状態空間 (Mamba) エンコーダに置き換える。 結果として得られるハイブリッド HAN-Mamba は、入力依存ゲーティングが不安定性の2つの構造特性と一致するリカレント状態を通して各ストリームを要約する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Short-horizon realized volatility forecasting requires the integration of market information that evolves at incompatible temporal resolutions, from second-level order book dynamics to weekly regime drift. Our conference work introduced HAN-T, a hierarchical architecture in which scale-specific Transformer encoders process short, mid, and long-horizon streams and a learned attention fuser weighs their contributions. This article replaces the quadratic attention encoders with selective state space (Mamba) encoders while retaining attention only in the fuser, where the input is a three-token set rather than a long sequence. The resulting hybrid, HAN-Mamba, summarizes each stream through a recurrent state whose input-dependent gating matches two structural properties of volatility: persistent but decaying memory and abrupt regime shifts. On the Optiver Realized Volatility Prediction benchmark under time-aware five-fold cross-validation, HAN-Mamba improves mean RMSPE over HAN-T (0.1942 vs. 0.1965) with 33% fewer parameters. Its linear-time encoders further allow the high-frequency context to be extended from 60 to 240 buckets, reducing error to 0.1927 where the attention variant saturates, and support constant-time streaming updates at inference. Ablations attribute the gains to the encoder swap, confirm that the hierarchical prior transfers across sequence-model families, and show that the permutation-invariant attention fuser remains the correct mechanism for cross-scale integration.
• Abstract（参考訳）: 短期ホライゾンが実現したボラティリティ予測は、二段階の書誌力学から週刊のレジームドリフトまで、互換性のない時間的解決で進化する市場情報の統合を必要とする。 このアーキテクチャでは、スケール固有のTransformerエンコーダがショート、ミドル、ロングホライゾンストリームを処理し、学習した注目度が彼らのコントリビューションの重み付けをする。 本稿では,2次アテンションエンコーダを選択状態空間(Mamba)エンコーダに置き換える。 結果として得られるハイブリッドHAN-Mambaは、入力依存のゲーティングが不安定性の2つの構造的特性、すなわち永続的だが減衰するメモリと急激な状態シフトに一致するリカレント状態を通して、それぞれのストリームを要約する。 HAN-MambaはHAN-T (0. 1942 vs. 0. 1965) よりも平均 RMSPE を33%少ないパラメータで改善する。 線形時間エンコーダにより、高周波のコンテキストを60から240バケットに拡張し、注意変動が飽和する0.1927に誤差を低減し、推論時の定時ストリーミング更新をサポートする。 アブレーションはエンコーダスワップの利得を考慮し、配列モデルファミリ間の階層的事前転送を確認し、置換不変アテンションフェイザーがクロススケール統合の正しいメカニズムのままであることを示す。

関連論文リスト

• Elastic Selective Spectral Hybrids for Train-Once, Export-Many Budgeted Inference [12.076523227394178]
  本稿では,各ハンケルスペクトルチャネルを独立再帰単位として実現したElastic Selective Spectral Hybrid (ESSH)を紹介する。 ESSHは入力依存の減衰と、時間保持と状態更新を入力依存にする書き込み/読み取りゲートを備えている。 言語理解,検索,クロスドメインテキスト,DNA実験を用いて,提案手法の有効性を検証する。
  論文  参考訳（メタデータ） (2026-09-26T11:28:56Z)
• Accelerating Unified Multimodal Models with Core-Expansion Routing and Unified Computation Scheduling [61.28599393707943]
  統一マルチモーダルモデルは、理解と生成を共同でサポートするが、トークン、レイヤ、生成タイムステップ間でかなりの冗長な計算を行う。 本稿では,タスク共有型コアスコアラと進行条件付き生成拡張を提案し,生成分解とクロスタスクコアアライメントを最適化した。 2つの代表的UMMアーキテクチャの実験では、両タスク間で一貫した品質改善が示され、98.03%の高密度な理解性能を維持し、エンドツーエンドの推論速度は1.93times$である。
  論文  参考訳（メタデータ） (2026-08-29T14:27:55Z)
• Learning the Koopman Operator using Attention Free Transformers [0.3848364262836075]
  クープマン予測をより堅牢にする2つの相補的成分を導入する。 まず注意のない潜伏メモリ(AFT)ブロックを追加し、過去の潜伏者の短いウィンドウを集約し、クープマンの更新毎に修正潜伏者を生成する。 第二に、動的再符号化: 遅延ドリフトとプロジェクト予測を自動エンコーダ多様体に戻す、軽量でオンラインな変更点トリガを提案する。
  論文  参考訳（メタデータ） (2026-06-22T21:36:55Z)
• DUET -- Dual User Embedding Transformers for Offsite Conversion Prediction [8.972672149050627]
  計算レコメンデーションシステムにおいて,オフサイト変換率(OCVR)予測は重要なランキング問題である。 このタスクは、クリック信号が豊富で、短い時間的水平線を示すのに対して、変換信号は本質的に疎く、長い遅延があり、しばしば未配布である。 ユーザ行動データを2つのドメインコヒーレントなストリーム – クリックと変換 – に明示的に分割するフレームワークであるDUETを提案する。
  論文  参考訳（メタデータ） (2026-06-08T23:13:58Z)
• Adaptive Tokenisation Via Temporal Redundancy Masking And Latent Inpainting [18.71433885255431]
  適応的ビデオトークン化(Adaptive Video tokenisation)は、シーケンスの基盤となる視覚的複雑さに基づいて、トークンの予算を動的に割り当てる。 凍結連続ビデオトークンの潜伏空間は,直接利用可能な時間的冗長性を本質的に符号化していることを示す。 パラメータフリー適応トークン割り当て機構を導入し,時間-L1差分に対する固定しきい値を適用した。
  論文  参考訳（メタデータ） (2026-06-04T13:31:12Z)
• Switch-Hurdle: A MoE Encoder with AR Hurdle Decoder for Intermittent Demand Forecasting [0.0]
  断続的な需要は小売とサプライチェーンの予測において永続的な課題である。 本稿では,Mixture-of-Experts(MoE)エンコーダとHurdleベースの確率的デコーダを統合する新しいフレームワークであるSwitch-Hurdleを紹介する。
  論文  参考訳（メタデータ） (2026-02-26T07:03:19Z)
• InfLLM-V2: Dense-Sparse Switchable Attention for Seamless Short-to-Long Adaptation [56.694702609077495]
  ロングシーケンス処理は、現代の大規模言語モデルにとって重要な機能である。 InfLLM-V2は、ショートシーケンスからロングシーケンスまでのモデルをシームレスに適応する訓練可能なスパースアテンションフレームワークである。 実験では、InfLLM-V2は高密度の注意より4$times$速いが、98.1%と99.7%のパフォーマンスを維持している。
  論文  参考訳（メタデータ） (2025-09-29T12:08:33Z)
• 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)
• FormerTime: Hierarchical Multi-Scale Representations for Multivariate Time Series Classification [53.55504611255664]
  formerTimeは、多変量時系列分類タスクの分類能力を改善する階層的表現モデルである。 1)時系列データから階層的なマルチスケール表現を学習し、(2)トランスフォーマーと畳み込みネットワークの強さを継承し、(3)自己維持メカニズムによって引き起こされる効率の課題に取り組む。
  論文  参考訳（メタデータ） (2023-02-20T07:46:14Z)

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。