Fugu-MT 論文翻訳(概要): Learning volatility-adaptive forgetting via GARCH-modulated LSTM for stock price forecasting

論文の概要: Learning volatility-adaptive forgetting via GARCH-modulated LSTM for stock price forecasting

arxiv url: http://arxiv.org/abs/2610.24386v1
Date: Sat, 17 Oct 2026 02:41:45 GMT
ステータス: 情報取得中
システム内更新日: 2026-10-20 11:40:46.94058
Title: Learning volatility-adaptive forgetting via GARCH-modulated LSTM for stock price forecasting
Title（参考訳）: 株価予測のためのGARCH変調LSTMによるボラティリティ適応的学習
Abstract要約: 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。
参考スコア（独自算出の注目度）: 1.6936594801109557
License:
Abstract: Stock price forecasting is hindered by the heteroscedastic nature of financial time series, in which turbulent and tranquil regimes alternate. Although the Long Short-Term Memory (LSTM) network is widely used for this task, its gates are oblivious to such volatility variation, so memory retention remains fixed regardless of market conditions. A common remedy is to supply volatility estimates as an additional input feature, yet this leaves the internal memory dynamics untouched. Instead, volatility can serve as a direct regulatory signal over the gate activation itself. This paper presents the Gsigmoid-LSTM model, which embeds Generalized Autoregressive Conditional Heteroscedasticity (GARCH(1,1))-derived volatility estimates into the LSTM forgetting gate through the Gsigmoid activation function, a volatility-adaptive variant of the sigmoid that combines a volatility adjustment factor with slope regulation via a learnable parameter. The model thereby automatically prioritizes recent information during turbulent periods while preserving long-term dependencies in stable markets. In the engineering application of daily stock price forecasting, extensive experiments, including activation function comparisons, baseline evaluations, and ablation studies, demonstrate that this structural gating modification effectively improves forecasting accuracy and robustness. The proposed model significantly outperforms a feature-level fusion baseline carrying the same volatility signal on all five datasets, as confirmed by Diebold-Mariano tests with all p<0.01, attains the best average rank of 1.00 in the Friedman test across nine models, and achieves the lowest MSE and MAE on all five datasets.
Abstract（参考訳）: 株価予測は、混乱とトランクィル体制が交互に変化する金融時系列のヘテロセクダスティックな性質によって妨げられている。このタスクにはLSTM(Long Short-Term Memory)ネットワークが広く使われているが、そのゲートは不安定な変動のため、市場の状況に関わらずメモリ保持が固定されている。一般的な対策は、付加的な入力機能としてボラティリティ見積を供給することだが、内部メモリのダイナミクスは未変更のままである。代わりに、揮発性はゲート活性化自体の直接的な制御シグナルとして機能する。本稿では, Gsigmoid-LSTMモデルについて, Gsigmoidアクティベーション関数によるLSTM忘れゲートへの一般化自己回帰条件の不規則性(GARCH(1,1))からのボラティリティ推定を組み込んだ。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。日々の株価予測の工学的応用において、活性化関数比較、ベースライン評価、アブレーション研究を含む広範な実験により、この構造的ゲーティングは予測精度と堅牢性を効果的に改善することを示した。提案モデルでは,すべてのp<0.01でDiebold-Marianoテストが確認したように,5つのデータセットで同じ揮発性信号を持つ機能レベルの核融合ベースラインを著しく上回り,9つのモデルでFriedmanテストで1.00の平均ランクに達し,5つのデータセットで最低のMSEおよびMAEを達成する。

関連論文リスト

A decomposition-integration framework coupling singular spectrum analysis with a volatility-adaptive LSTM for stock price forecasting [1.6936594801109557]
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。
論文参考訳（メタデータ） (2026-10-17T02:39:54Z)
Large-Small Model Collaboration for Zero-Shot Surgical Phase Recognition [45.191945465591374]
外科的位相認識のためのタスク固有の軽量モデルは、時間的ダイナミクスを捉えるのに優れているが、ドメインシフト下での一般化は不十分である。 textbfLarge-textbfSmall textbfTemporal adaptation (textbfLaST)を提案する。
論文参考訳（メタデータ） (2026-08-24T07:06:52Z)
Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
論文参考訳（メタデータ） (2026-05-28T13:26:53Z)
GARCH-FIS: A Hybrid Forecasting Model with Dynamic Volatility-Driven Parameter Adaptation [5.461112265573671]
本稿では、ファジィ推論システム(FIS)と一般化自己回帰ヘテロスケダスティック性(GARCH)モデルを統合し、非線形力学と時間変動ボラティリティを併用する。提案したGARCH-FISモデルは、予測精度と安定性の点でベンチマークモデルよりも大幅に優れている。
論文参考訳（メタデータ） (2026-03-16T03:50:00Z)
$V_{0.5}$: Generalist Value Model as a Prior for Sparse RL Rollouts [81.48669089692189]
一般値モデル(例えば$V_0.5$)は、コンテキスト内のモデル機能を明示的にエンコードすることで、事前訓練された値推定を実現する。本稿では,このような値モデルにより予測されるベースラインと,スパースロールアウトから導出される経験的平均とを適応的に融合する$V_0.5$を提案する。 V_0.5$はGRPOとDAPOを大きく上回り、より高速な収束と約10%のパフォーマンス向上を実現している。
論文参考訳（メタデータ） (2026-03-11T14:57:41Z)
XGBoost Forecasting of NEPSE Index Log Returns with Walk Forward Validation [1.2347259751353263]
本研究では,XGBoost回帰器を用いたネパール証券取引所(NEPSE)指数の1段階回帰予測のための頑健な機械学習フレームワークを開発した。ログリターン(最大30日)と確立された技術指標を含む、包括的な機能セットが設計されている。実験の結果、最適な構成、20のラグを持つ拡張ウィンドウは、ARIMAとRookの回帰ベンチマークより優れていた。
論文参考訳（メタデータ） (2026-01-13T15:22:08Z)
Improving S&P 500 Volatility Forecasting through Regime-Switching Methods [0.0]
我々は,S&P500のボラティリティの予測を改善するために,多種多様な制度変更手法を提案する。予測精度を高めるため、歴史的ダイナミクスと先進的な市場感情の両方を捉える機能を開発した。
論文参考訳（メタデータ） (2025-09-21T19:40:47Z)
COME: Test-time adaption by Conservatively Minimizing Entropy [45.689829178140634]
保守的に最小化されるエントロピー (COME) は従来のエントロピー (EM) の代替品である COMEはモデル予測よりもディリクレ事前分布を特徴付けることによって、不確実性を明示的にモデル化する。我々はCOMEが一般的なベンチマークで最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2024-10-12T09:20:06Z)
UncertaintyRAG: Span-Level Uncertainty Enhanced Long-Context Modeling for Retrieval-Augmented Generation [93.38604803625294]
IncertaintyRAG, a novel approach for long-context Retrieval-Augmented Generation (RAG)について紹介する。我々は、SNR(Signal-to-Noise Ratio)ベースのスパン不確実性を用いて、テキストチャンク間の類似性を推定する。不確かさRAGはLLaMA-2-7Bでベースラインを2.03%上回り、最先端の結果を得る。
論文参考訳（メタデータ） (2024-10-03T17:39:38Z)
DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文参考訳（メタデータ） (2022-09-23T16:13:47Z)
On the universality of the volatility formation process: when machine learning and rough volatility agree [1.688090639493357]
過去の市場実現に関連する資産間での普遍的ボラティリティ形成機構の非パラメトリックな証拠を見いだす。粗分数ボラティリティと2次粗度ヘストンモデルを固定パラメータと組み合わせた擬似パラメトリック予測装置は、普遍LSTMと同等の性能を示す。
論文参考訳（メタデータ） (2022-06-28T16:20:58Z)

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。