論文の概要: OrderFlowDiT: Transport-Regularized Diffusion Transformer for Probabilistic Limit-Order Supply Forecasting
- arxiv url: http://arxiv.org/abs/2610.22727v1
- Date: Thu, 15 Oct 2026 22:56:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.694425
- Title: OrderFlowDiT: Transport-Regularized Diffusion Transformer for Probabilistic Limit-Order Supply Forecasting
- Title（参考訳）: OrderFlowDiT:確率的限界順序予測のための輸送正規化拡散変圧器
- Abstract要約: 以下の5分間に提出された制限順序体積の条件分布について検討する。
このタスクには、価格の配置、総容積、予測の不確実性を共同で取得する必要がある。
本研究では,非正規化入札のための条件拡散変換器であるOrderFlowDiTを導入し,ボリューム・アット・プライス・フィールドを問う。
- 参考スコア（独自算出の注目度）: 5.442784920629616
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study the conditional distribution of limit-order volume submitted over the next five minutes, given the current order book and recent order flow. The task requires capturing price placement, total volume, and predictive uncertainty jointly. Coordinate-wise diffusion losses do not explicitly account for price displacement, while normalizing fields to unit mass removes information about total volume. Agreement on selected summary statistics also does not establish fidelity to the joint field distribution. We introduce OrderFlowDiT, a conditional Diffusion Transformer for unnormalized bid and ask volume-at-price fields, trained with an unbalanced optimal-transport (UOT) auxiliary loss. We also develop a full-field evaluation framework that combines a transport cost sensitive to price placement and total volume with proper scoring rules and calibration diagnostics. In the primary comparison on 1950 validation conditions across 30 U.S. equities, adding UOT reduces full-field transport cost by 45.8% and the transport energy score by 26.1% relative to training with mean squared error alone. Both measures improve for every stock. These findings support incorporating price geometry and volume into generative modeling, with field accuracy and predictive uncertainty evaluated together.
- Abstract（参考訳）: 本稿では,現在の注文帳と最近の注文フローから,次の5分間で提出された制限順序体積の条件分布について検討する。
このタスクには、価格の配置、総容積、予測の不確実性を共同で取得する必要がある。
座標ワイド拡散損失は価格の変位を明示的に考慮しないが、単位質量への磁場の正規化は総体積に関する情報を除去する。
選択された要約統計に関する合意も、共同分野の分布に対する忠実性を確立するものではない。
非正規化入札のための条件付き拡散変換器であるOrderFlowDiTを導入し、不均衡な最適輸送(UOT)補助損失で訓練した。
また、価格設定に敏感な輸送コストと、適切なスコアリングルールとキャリブレーション診断を組み合わせたフルフィールド評価フレームワークを開発した。
1950年の米国株式30銘柄の検証条件の比較では、UOTの追加によりフルフィールド輸送コストは45.8%、輸送エネルギースコアは平均二乗誤差だけで26.1%削減された。
どちらの措置も株ごとに改善される。
これらの知見は、価格幾何学と容積を生成モデルに取り入れることをサポートし、フィールド精度と予測の不確かさを併用して評価した。
関連論文リスト
- Adaptive Robust Confidence Sets in High Dimensions [60.353542776481596]
本研究では,不確実性を同時に定量化することにより,情報理論的に最適な適応信頼セットを構築することができることを示す。
統計的には最適であるが、この構成は計算的に不可能である。
論文 参考訳（メタデータ） (2026-10-11T16:00:46Z) - Cross-Material Magnetic Core Loss Prediction via Operating-Condition Matching and Partial Optimal Transport [23.35998085718822]
クロスマテリアル磁気コア損失予測は、限られた測定値で新しい材料応答に適応する必要がある。
本稿では,条件付き部分最適輸送に基づくトランスフォーマー転送方式であるT-PCOTを提案する。
論文 参考訳（メタデータ） (2026-10-10T14:36:00Z) - Minimum Volume Optimal Transport for Multivariate Conformal Prediction [18.981907372765864]
本稿では,マハラノビス基底コストを学習し,正定値指標のクラス上で直接予測領域容積を求めるフレームワークを提案する。
出力予測セットの有限サンプル限界カバレッジとボリュームメトリクスの最適性を確立する。
この拡張について、予測セットのボリュームを大幅に削減することを示す。
論文 参考訳（メタデータ） (2026-10-10T13:31:07Z) - One-Step Generative Modeling via Training Dynamics Action [44.53646303421521]
一段階生成モデルは、反復的な訓練時間輸送によって静的なジェネレータを構築する。
textbfTraining textbfDynamics textbfAction(textbfTDAction)を導入する。
論文 参考訳（メタデータ） (2026-09-30T18:10:48Z) - PMosFM: Preconditioned Manifold Matching for One-Step Physics-Constrained Generation [47.34605477768213]
textbf Preconditioned textbfManifold textbfone-textbfstep textbfFlow textbfMatching (textbfPMosFM) は1ステップの物理制約付き生成のための事前条件付き多様体マッチングフレームワークである。
多様体デコーダの制約を符号化することにより、PMosFMは残留損失と終端残差を分離することなく固有座標の輸送を学習する。
論文 参考訳（メタデータ） (2026-09-30T17:48:21Z) - Optimal Nonparametric Dynamic Pricing with Censored Demand and Adversarial Inventory [44.84402725013114]
我々は、価格の前に任意の在庫レベルが明らかにされる、検閲された需要を伴うオンライン動的価格について検討する。
2026年、Xu et al. [2026] は制限的な構造仮定の下で、$widetildemathcalO(sqrtT)$ regretを達成した。
我々の最初の貢献は、この枠組みをより一般的で統計的に難しい非パラメトリックな設定に拡張することである。
論文 参考訳（メタデータ） (2026-09-26T21:20:45Z) - One-Step Generative Modeling via Unbalanced Optimal Transport [15.281826840525826]
大規模トレーニングでは、フィールドは生成されたサンプルと実際のサンプルの有限のミニバッチから計算される。
生成されたサンプルと実際のサンプルは非対称に処理されるべきであり、実際のサンプルに割り当てられた質量は、生成されたサンプルを全て輸送しながら適応させることができる。
本研究の目的は, 生成サンプル境界を固定し, 実データ境界のみを緩和する不均衡最適輸送勾配流(UOT-GF)を提案することである。
論文 参考訳（メタデータ） (2026-09-26T15:17:31Z) - Coupled Optimal Transport with Landmark Constraints [64.98367856457412]
最適輸送(OT)モデルは、所定の輸送コストや歪みを最小限に抑えて、分布間の地図や計画を求める。
本稿では,少数のアノテートされたランドマークを利用して,下層の変形の回復を誘導する新しい結合OTフレームワークを提案する。
提案するフレームワークは,ランドマークベース登録とトランスポートベース分布マッチングの原則的接続を提供する。
論文 参考訳（メタデータ） (2026-08-20T08:28:13Z) - Contextual Deconvolution for Variance-Stable Demand Sensing: Kernel-Modulated Operators in Promotional Retail [0.0]
機械学習の需要予測は、統計的精度を最適化するが、過剰な運用のボラティリティを保ち、安全株を膨らませ、ブルウィップ効果を増幅する。
コンベックス分解として需要感を再設定するtextbfCon Decontextual estimatorを導入する。
論文 参考訳（メタデータ） (2026-07-28T12:49:59Z) - Posterior Augmented Flow Matching [64.1559809786948]
後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である
PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
論文 参考訳（メタデータ） (2026-05-01T17:59:59Z) - Conditional Unbalanced Optimal Transport Maps: An Outlier-Robust Framework for Conditional Generative Modeling [9.488297561764211]
条件不均衡最適輸送(CUOT)問題は、シスジールの発散による条件分布整合制約を緩和する。
三角形$c$-transformパラメーターを用いた外乱条件生成モデルである条件不均衡最適輸送マップ(CUOTM)を提案する。
2次元合成および画像スケールのデータセットを用いた実験により,CUOTMはより優れた出力ロバスト性および競合分布マッチング性能が得られることを示した。
論文 参考訳（メタデータ） (2026-03-07T01:21:32Z)
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。