論文の概要: StochLOB: Heavy-Tailed Score Matching for Robust Limit Order Book Trend Prediction

• arxiv url: http://arxiv.org/abs/2610.21081v1
• Date: Thu, 15 Oct 2026 01:33:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.119208
• Title: StochLOB: Heavy-Tailed Score Matching for Robust Limit Order Book Trend Prediction
• Title（参考訳）: StochLOB:ロバスト・リミット・オーダー・ブックトレンド予測のためのヘビータイルスコアマッチング
• Abstract要約: 本研究では, 事前拡散汚職法を規定する学習専用スコアマッチングフレームワークについて検討し, 展開した予測器の定式化に留意する。 ブラウン派のみのガウスの汚職に代えて、非ガウスのSDEにインスパイアされた2つの代替法を用いる。 提案された変種は、未破損のBTCと試験地平線で競合し続け、いくつかの実現された尾翼応力診断を改善した。
• 参考スコア（独自算出の注目度）: 3.62645515172823
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Score-based diffusion methods usually perturb data with Brownian Gaussian noise, corresponding to a light-tailed forward stochastic differential equation (SDE). For market time series this SDE can be a poor abstraction: limit order book (LOB) order flow is heavy-tailed, bursty, and occasionally jump-like. We study STOCHLOB, a training-only score-matching framework that changes the forward diffusion corruption law while leaving the deployed predictor deterministic. Instead of Brownian-only Gaussian corruption, the noising process uses two non-Gaussian SDE-inspired alternatives: jump-Lévy noise through a compound-Poisson variance mixture, and clipped $α$-stable noise through a positive-stable Gaussian scale mixture. These corruptions inject finite jumps and heavy-tailed residuals into training without requiring reverse-time diffusion sampling at inference. The resulting score target has a useful interpretation: its radial factor $h_t(r)$ is the posterior expected corruption precision, so large residuals are weighted according to the latent corruption scale that most plausibly generated them. On chronologically held-out Coinbase LOB data, the proposed variants remain competitive on uncorrupted BTC and altcoin test horizons and improve several realized tail-window stress diagnostics. An exploratory Feishu A-share transfer study further tests whether the probability outputs remain usable under transaction costs and trading-rule constraints. Code and configuration files are available at https://github.com/ArshiAbolghasemi/Penny.
• Abstract（参考訳）: スコアベース拡散法は通常、光尾前方確率微分方程式(SDE)に対応するブラウンガウス雑音を伴う摂動データである。 マーケットタイムシリーズでは、このSDEは、制約順序ブック(LOB)の順序フローが重く、バースト的で、時折ジャンプのような、貧弱な抽象化になり得る。 本研究では,事前拡散汚職法を規定する学習専用スコアマッチングフレームワークSTOCHLOBについて検討する。 ブラウン派のみのガウスの汚職の代わりに、ノイズ発生過程は2つの非ガウスのSDEにインスパイアされた代替手段を使用する: 複合ポアソンの混合によるジャンプ・レヴィノイズと、正安定ガウススケールの混合による$α$-stableノイズである。 これらの汚職は、推論時に逆時間拡散サンプリングを必要とせず、有限ジャンプと重テール残留物を訓練に注入する。 その放射率$h_t(r)$は、後続の予測汚職精度であり、遅延汚職スケールに応じて大きな残留物が重み付けされ、最も高い確率で生成される。 経時的に保持されたCoinbase LOBデータでは, 提案した変種は未破壊のBTCおよびアルトコイン試験地平線上での競争力を維持し, 実現された尾翼応力診断の改善を図っている。 フェーシュAシェアの探索研究は、取引コストとトレーディングルール制約の下で、確率出力が引き続き使用できるかどうかをさらに検証した。 コードと設定ファイルはhttps://github.com/ArshiAbolghasemi/Penny.comで入手できる。

関連論文リスト

• Constrained Online Learning with Noisy Constraint Values [55.29259818039367]
  一般的な実現可能性の下では、我々のLEDGERアルゴリズムは、期待される損失$O(sqrt T)と期待される予算違反$O(sqrtTlog(eT))を達成します。 スレーター条件、フィードバックチャネル間の独立性、絶対的制約値境界は不要である。
  論文  参考訳（メタデータ） (2026-09-07T01:38:41Z)
• What Does a Discrete Diffusion Model Learn? [71.03603607324338]
  離散拡散モデルは、デノイザ、スコア比、ブリッジプラグイン予測器などを学ぶ。 まず, 連続時間マルコフ連鎖 (CTMC) ELBO の任意のノイズ発生過程に対する厳密な導出から始める。 すべてのアイデンティティは、正確に解けるモデル上で近似なしで数値的に検証される。
  論文  参考訳（メタデータ） (2026-07-06T17:56:11Z)
• Test-Time Scaling with Diffusion Language Models via Reward-Guided Stitching [66.39914384073145]
  本稿では,安価な拡散サンプリング推論をステップレベル候補の再利用プールに変換する自己整合性フレームワークを提案する。 ステップレベルの再結合は、難しい問題に対して最も有益であることがわかった。 トレーニング不要のフレームワークは、6つの数学およびコーディングタスクの平均精度を最大2倍改善します。
  論文  参考訳（メタデータ） (2026-02-26T11:08:39Z)
• Learning Shrinks the Hard Tail: Training-Dependent Inference Scaling in a Solvable Linear Model [2.7074235008521246]
  ニューラルネットワークのスケーリング法則を最終層微細チューニングの解法モデルで解析する。 学習がエラー分布の「ハードテール」を小さくすることを示す。
  論文  参考訳（メタデータ） (2026-01-07T10:00:17Z)
• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)
• Soft-constrained Schrodinger Bridge: a Stochastic Control Approach [4.922305511803267]
  シュル「オーディンガー橋」は、最適に制御された拡散過程を見つけることを目標とする連続時間制御問題と見なすことができる。 本稿では,両分布間のKulback-Leiblerの相違を罰し,端末分布を目標と異なるものにすることで,この問題を一般化することを提案する。 1つの応用は、堅牢な生成拡散モデルの開発である。
  論文  参考訳（メタデータ） (2024-03-04T04:10:24Z)
• Continuous-Variable Quantum Key Distribution with key rates far above the PLOB bound [0.7918886297003017]
  ガウス集団攻撃における秘密鍵レートの分析を行った。 一方向誤り訂正の場合の上限であるDevetak-Winter値$I(X;Y) - I(E;Y)$よりもはるかに高い秘密鍵レートを得る。
  論文  参考訳（メタデータ） (2024-02-07T11:40:18Z)
• PENDANTSS: PEnalized Norm-ratios Disentangling Additive Noise, Trend and Sparse Spikes [1.9766522384767222]
  PENDANTSSは,スパースピーク様信号の連立トレンド除去とブラインドデコンボリューションのために提案される。 これは、スムーズな傾向とノイズがローパスフィルタリングによって幾らか分離されるという仮説と相似する。
  論文  参考訳（メタデータ） (2023-01-04T10:11:21Z)
• Robust computation of optimal transport by $\beta$-potential regularization [79.24513412588745]
  最適輸送(OT)は、確率分布間の差を測定する機械学習分野で広く使われているツールである。 我々は、いわゆる$beta$-divergenceに付随するベータポテンシャル項でOTを正規化することを提案する。 提案アルゴリズムで計算した輸送行列は,外乱が存在する場合でも確率分布を頑健に推定するのに役立つことを実験的に実証した。
  論文  参考訳（メタデータ） (2022-12-26T18:37:28Z)
• Kernel Stein Discrepancy Descent [16.47373844775953]
  Kernel Stein Discrepancy (KSD) は近年注目されている。 我々は、目標確率分布を$mathbbRd$上で近似するために、ワッサーシュタイン勾配流の特性について検討する。 これにより、直接実装可能な決定論的スコアベースのメソッドが、$pi$、KSD Descentからサンプリングされる。
  論文  参考訳（メタデータ） (2021-05-20T19:05:23Z)

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。