論文の概要: A decomposition-integration framework coupling singular spectrum analysis with a volatility-adaptive LSTM for stock price forecasting

• arxiv url: http://arxiv.org/abs/2610.24384v1
• Date: Sat, 17 Oct 2026 02:39:54 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 11:47:59.045611
• Title: A decomposition-integration framework coupling singular spectrum analysis with a volatility-adaptive LSTM for stock price forecasting
• Title（参考訳）: 株価予測のためのボラティリティ適応LSTMを用いた分解積分フレームワーク結合特異スペクトル解析
• Abstract要約: 金融時系列は、マルチスケール、ハイノイズ、非定常ボラティリティのダイナミクスを示す。 既存のCEEMDANハイブリッドは不安定であり、高周波モード混合は下流予測器を汚染する。 本稿では,これらのギャップに対処するため,CEEMDAN-SE-SSA-VMGLを提案する。
• 参考スコア（独自算出の注目度）: 1.6936594801109557
• License:
• Abstract: Financial time series exhibit multi-scale, high-noise, and non-stationary volatility dynamics. Decomposition--integration frameworks built on complete ensemble empirical mode decomposition with adaptive noise (CEEMDAN) have advanced this field, yet existing CEEMDAN hybrids remain unstable: high-frequency mode mixing contaminates downstream predictors, and the heterogeneous volatility of decomposed components is not matched by any volatility-adaptive mechanism. To address these gaps, this paper proposes CEEMDAN-SE-SSA-VMGL. CEEMDAN adaptively decomposes the original series, and sample-entropy-driven K-means clustering groups the intrinsic mode functions into high-, mid-, and low-frequency and residual components. Singular spectrum analysis (SSA) is then applied to the high-frequency group, whose singular-value decomposition of the trajectory matrix and principal-component reconstruction decouple intertwined pseudo-oscillatory modes and alleviate mode mixing. We further design a plug-and-play robust LSTM variant, the volatility-modulated GARCH-LSTM (VMGL), which embeds a differentiable GARCH(1,1) layer inside the LSTM cell as a risk gate; the estimated conditional volatility multiplicatively scales the forget-gate activation, letting memory decay adapt to the instantaneous volatility while remaining fully end-to-end trainable. Component predictions are linearly combined. On five US and Chinese financial series (CSI 300, CSI 500, AAPL, GOOGL, S&P 500), the proposed model is compared with eleven benchmark architectures, lowering the forecasting error by 9% to 24% relative to the best benchmark and by 60% to 70% relative to a standard LSTM. Diebold--Mariano and model-confidence-set (MCS) tests confirm the statistical significance and stability of the gains, spectral analyses verify the SSA denoising efficacy, and backtesting demonstrates the framework's economic utility.
• Abstract（参考訳）: 金融時系列は、マルチスケール、ハイノイズ、非定常ボラティリティのダイナミクスを示す。 完全アンサンブル経験モード分解と適応雑音(CEEMDAN)に基づく分解統合フレームワークはこの分野を進展させたが、既存のCEEMDANハイブリッドは不安定なままであり、高周波モード混合は下流予測器を汚染し、分解した成分の不均一な揮発性は任意のボラティリティ適応機構で一致しない。 そこで本研究では,CEEMDAN-SE-SSA-VMGLを提案する。 CEEMDANは元の系列を適応的に分解し、サンプルエントロピー駆動のK-平均クラスタリング群は内在モード機能を高、中、低周波数および残留成分に分解する。 次に、SSA(Singular spectrum Analysis)を高周波グループに適用し、軌道行列の特異値分解と主成分再構成を相互に分離した擬似振動モードと緩和モードミキシングを行う。 さらに、LSTMセル内に可変なGARCH(1,1)層を組込みリスクゲートとして、可変性変調GARCH-LSTM(VMGL)を組み込んだ、プラグ・アンド・プレイの堅牢なLSTM変種を設計する。 コンポーネント予測は線形に結合される。 アメリカと中国の5つの金融シリーズ(CSI 300, CSI 500, AAPL, GOOGL, S&P 500)において、提案モデルは11のベンチマークアーキテクチャと比較される。 Diebold--Mariano and model-confidence-set (MCS) テストは利得の統計的意義と安定性を確認し、スペクトル分析はSSAが有効であることを検証し、バックテストはフレームワークの経済的有用性を示す。

関連論文リスト

• Learning volatility-adaptive forgetting via GARCH-modulated LSTM for stock price forecasting [1.6936594801109557]
  本稿では,Gsigmoid-LSTMモデルを提案する。 これにより、安定市場における長期依存を保ちながら、乱流期における最新の情報を自動的に優先順位付けする。
  論文  参考訳（メタデータ） (2026-10-17T02:41:45Z)
• Scalable Lindblad Noise Learning via Stochastic Tensor-Network Simulation [48.887627688666974]
  大規模オープン量子システムにおける学習散逸率は、短期量子技術の大きな障害である。 本稿では,シミュレーション手法であるJump Method(TJM)を組み合わせたLindblad散逸率のスケーラブルなノイズ学習フレームワークを提案する。 我々は,Isingモデルにおける2つのノイズモデルに対するアプローチを実証し,各サイトについて,N_mathrmsite=16$まで独立散逸率を学習した。 スケーラブルな数値と厳密な理論的保証の組み合わせは、TJMベースのノイズ学習を大きな量子デバイスにおける散逸を特徴づける実用的な基礎として位置づけている。
  論文  参考訳（メタデータ） (2026-08-25T15:07:11Z)
• Bi-cLSTM: Residual-Corrected Bidirectional LSTM for Aero-Engine RUL Estimation [0.0]
  頑健なRUL推定のための双方向残差補正LSTM(Bi-cLSTM)モデルを提案する。 提案アーキテクチャは、双方向時間モデルと適応的残差補正機構を組み合わせることで、反復的に配列表現を洗練させる。 NASA C-MAPSSデータセットの4つのサブセットの大規模な実験は、提案されたBi-cLSTMがLSTMベースのベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-02-28T17:44:06Z)
• Contextual and Seasonal LSTMs for Time Series Anomaly Detection [49.50689313712684]
  CS-LSTM (Contextual and Seasonal LSTMs) という新しい予測型フレームワークを提案する。 CS-LSTMはノイズ分解戦略に基づいて構築され、コンテキスト依存と季節パターンを併用する。 彼らは一貫して最先端の手法を上回り、堅牢な時系列異常検出における有効性と実用的価値を強調した。
  論文  参考訳（メタデータ） (2026-02-10T11:46:15Z)
• Robust Machine Learning for Regulatory Sequence Modeling under Biological and Technical Distribution Shifts [0.3948325938742681]
  性能劣化、校正失敗、不確実性に基づく信頼性を定量化するためのロバストネスフレームワークを導入する。 シミュレーションでは、セル型特異的プログラム、摂動、GCバイアス、深さ変化、バッチ効果、ヘテロscedastic noiseによってモチーフ駆動の制御出力が生成される。 モデルは精度は保たれるが、高い誤差、激しいばらつきの誤校正、モチーフ効果の反転とノイズによるカバー崩壊が支配的な体制である。
  論文  参考訳（メタデータ） (2026-01-21T13:15:27Z)
• SKANet: A Cognitive Dual-Stream Framework with Adaptive Modality Fusion for Robust Compound GNSS Interference Classification [47.20483076887704]
  グローバルナビゲーション衛星システム(GNSS)は、洗練された妨害による脅威の増大に直面している。 時間周波数画像(TFI)とパワースペクトル密度(PSD)を統合した2重ストリームアーキテクチャに基づく認知的ディープラーニングフレームワークを提案する。 SKANetは96.99%の精度を達成し、複合妨害分類において優れたロバスト性を示した。
  論文  参考訳（メタデータ） (2026-01-19T07:42:45Z)
• Spectral Bias Mitigation via xLSTM-PINN: Memory-Gated Representation Refinement for Physics-Informed Learning [6.546212906401042]
  我々は、スペクトルバイアスを抑制し、外挿を強化するために、表現レベルのスペクトルリモデリングxLSTM-PINNを導入する。 4つのベンチマークで、ゲート型クロススケールメモリ、ステージ付き周波数カリキュラム、適応型残差再重み付けを統合した。 ベースラインPINNと比較して、MSE、RMSE、MAE、MaxAEを4つのベンチマークで削減し、よりクリーンな境界遷移を提供する。
  論文  参考訳（メタデータ） (2025-11-16T08:55:27Z)
• scMRDR: A scalable and flexible framework for unpaired single-cell multi-omics data integration [53.683726781791385]
  単一セルマルチオミクス(ScMRDR)と呼ばれるスケーラブルでフレキシブルな生成フレームワークを導入する。 本手法は, バッチ補正, モダリティアライメント, 生体信号保存の観点から, ベンチマークデータセット上での優れた性能を実現する。
  論文  参考訳（メタデータ） (2025-10-28T21:28:39Z)
• NAG-GS: Semi-Implicit, Accelerated and Robust Stochastic Optimizer [45.47667026025716]
  2つの重要な要素に依存した、新しく、堅牢で、加速された反復を提案する。 NAG-GSと呼ばれる手法の収束と安定性は、まず広範に研究されている。 我々は、NAG-arityが、重量減衰を伴う運動量SGDや機械学習モデルのトレーニングのためのAdamWといった最先端の手法と競合していることを示す。
  論文  参考訳（メタデータ） (2022-09-29T16:54:53Z)
• Prediction of financial time series using LSTM and data denoising methods [0.29923891863939933]
  本稿では,ウェーブレット変換 (WT) と特異スペクトル解析 (SSA) を含むデータデノイジング法に基づくアンサンブル法を提案する。 WTとSSAは、元のシーケンスから有用な情報を抽出し、オーバーフィッティングを避けるため、ハイブリッドモデルはDJIAの閉値のシーケンスパターンをよりよく把握することができる。
  論文  参考訳（メタデータ） (2021-03-05T07:32:36Z)

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。