論文の概要: DPAL: A Test-Time Adaptation Loss for Financial Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2610.14376v1
• Date: Fri, 09 Oct 2026 22:50:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 21:57:13.084881
• Title: DPAL: A Test-Time Adaptation Loss for Financial Time Series Forecasting
• Title（参考訳）: DPAL:金融時系列予測のためのテストタイム適応損失
• Abstract要約: テスト時間適応(TTA)により、新しい観測が利用可能になると、時系列の予測者がデプロイ後に更新できる。 方向性適応損失(DPAL)と価格適応損失(DPAL)を導入する。 我々は、ソース予測器やアダプタアーキテクチャを変更することなく、既存のTSF-TTAフレームワークにDPALを適用する。
• 参考スコア（独自算出の注目度）: 6.123395845098749
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Test-time adaptation (TTA) enables time series forecasters to update after deployment as new observations become available. However, adaptation objectives that focus primarily on prediction errors at individual time steps do not fully address the needs of financial time series forecasting. In addition to pointwise return fitting, return direction and the price trajectories reconstructed from sequences of returns are also important. To better account for these properties, we introduce Direction- and Price-Aware Adaptation Loss (DPAL), which combines pointwise return fitting with directional and price-calibration terms. We apply DPAL within existing TSF-TTA frameworks without modifying the source forecaster or the adapter architecture. Across a diverse collection of financial datasets, DPAL reduces reconstructed-price mean squared error in most evaluated settings.
• Abstract（参考訳）: テスト時間適応(TTA)により、新しい観測が利用可能になると、時系列の予測者がデプロイ後に更新できる。 しかし,個別段階における予測誤差に主眼を置いている適応目的は,財務時系列予測の必要性を完全には解決していない。 ポイントワイドリターンフィッティングに加えて、リターンのシーケンスから再構成されたリターン方向とプライストラジェクトリも重要である。 これらの特性をよりよく説明するために、方向適応と価格適応損失(DPAL)を導入する。 我々は、ソース予測器やアダプタアーキテクチャを変更することなく、既存のTSF-TTAフレームワークにDPALを適用する。 DPALは、さまざまな財務データセットのコレクション全体にわたって、ほとんどの評価された設定において、再構成された価格平均2乗誤差を削減します。

関連論文リスト

• Volatility-Clustering Adaptation for Financial Time Series [6.082913523231794]
  時系列基礎モデルは、ターゲットデータの微調整によって、新しい領域に適応する傾向にある。 この仮定は、個別の価格変動の予測が困難である金融予測において失敗する可能性があることを示す。 オープン、ハイ、ロー、クローズ、ボリュームの価格バーで訓練された金融ファンデーションモデルを用いて、金融分野への適応には次の予測以上の訓練信号が必要であると論じる。
  論文  参考訳（メタデータ） (2026-09-29T14:45:38Z)
• PRICE: A Systematic Study of LLM Adaptation Choices for Bitcoin Price Forecasting [0.40105987447353786]
  本研究は,短期的なBitcoin価格予測に大規模言語モデルを適用するための構造化アプローチであるPRICEを紹介する。 PRICEは4ビット量子化LLaMA-3 8Bモデルに基づいており、微調整、数値表現、プロンプト、推論、復号化がパフォーマンスにどのように影響するかを調査している。 プライスは、評価期間にわたって堅牢なパフォーマンスを維持しながら、検証セットとテストセットの両方で最も低い予測エラーを達成する。
  論文  参考訳（メタデータ） (2026-09-04T15:01:38Z)
• RAVEN: A Regime-Aware Variable-context Expert Network for Financial Time Series Forecasting [83.06074370551887]
  固定コンテキストウィンドウは、非定常価格プロセスの時間変化最適振り返りと一致しない。 本稿では,各サンプルの時間的文脈を適応的に決定するMixture-of-Expertsフレームワークを提案する。 累積ログリターン予測(HS300、S&P500)およびファンド販売予測の実験では、RAVENはSOTAのパフォーマンスを達成し、HS300ではピアソン相関を9.2%改善し、S&P500では20.2%改善し、MSEを18.2%削減している。
  論文  参考訳（メタデータ） (2026-06-23T02:11:04Z)
• TimeAPN: Adaptive Amplitude-Phase Non-Stationarity Normalization for Time Series Forecasting [67.91113180885601]
  TimeAPNは時間領域と周波数領域の両方から非定常因子を明示的にモデル化し、予測する。 TimeAPNは、複数の予測水平線にわたる長期的な予測精度を一貫して改善する。 これは最先端の可逆正規化法より優れている。
  論文  参考訳（メタデータ） (2026-03-18T07:21:24Z)
• Time-Aware Prior Fitted Networks for Zero-Shot Forecasting with Exogenous Variables [59.37476887007663]
  我々は、(PFNとは違って)時間認識の事前データ適合型ネットワーク(PFN)であるApolloPFNを開発した。 i) PFNが時系列に適用されたときに発生する障害モードを解決するために調整された合成データ生成手順,(ii)時系列コンテキストを利用するのに必要な帰納的バイアスを埋め込んだ時間アウェアなアーキテクチャ修正。
  論文  参考訳（メタデータ） (2026-03-16T18:33:23Z)
• Test-Time Adaptation for Non-stationary Time Series: From Synthetic Regime Shifts to Financial Markets [0.0]
  因果時間予測と方向分類のための小さなフットプリントテスト時間適応フレームワークについて検討した。 分類にはエントロピーを最小化し、時間的一貫性を強制する。 この枠組みは、ETTベンチマークの総合的体制シフトと、パンデミック、高インフレ、リカバリの2段階にわたるデイリーエクイティとFXシリーズ(SPY、QQQ、EUR/USD)で評価する。
  論文  参考訳（メタデータ） (2026-01-20T22:30:23Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Error-quantified Conformal Inference for Time Series [55.11926160774831]
  時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。 量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。 ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
  論文  参考訳（メタデータ） (2025-02-02T15:02:36Z)
• Battling the Non-stationarity in Time Series Forecasting via Test-time Adaptation [39.7344214193566]
  時系列予測(TSF)に適した先駆的なテスト時間適応フレームワークを提案する。 TSF-TTAに対する提案手法であるTAFASは、事前学習中に学習したコアセマンティック情報を保存しながら、ソース予測器をフレキシブルに適応してテスト分布を継続的にシフトさせる。 部分的に観測された真実とゲートキャリブレーションモジュールの新たな利用により、ソース予測器のプロアクティブ、ロバスト、モデルに依存しない適応が可能となった。
  論文  参考訳（メタデータ） (2025-01-09T04:59:15Z)

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。