論文の概要: Probabilistic Limit Order Book Forecasting with Conditional Diffusion Models

• arxiv url: http://arxiv.org/abs/2610.25495v1
• Date: Sun, 18 Oct 2026 19:34:17 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:34:38.706887
• Title: Probabilistic Limit Order Book Forecasting with Conditional Diffusion Models
• Title（参考訳）: 条件付き拡散モデルによる確率的極限順序ブック予測
• Abstract要約: 本稿では,自己回帰型RNNエンコーダと拡散型ジェネレータを組み合わせた,確率的リミットオーダーブック(LOB)予測のための条件付きDDPMフレームワークを提案する。 BTC/USDT、GOOGL、METAの実験では、LOBGradは、報告された全てのキューメトリクスのエンコーダフリー拡散アブレーションを改善している。 また、LOBマイクロ構造の重要なスタイル化された事実を再現し、合理的に調整されたキューベースの予測間隔を生成する。
• 参考スコア（独自算出の注目度）: 16.18468855047293
• License:
• Abstract: Modeling limit order book (LOB) dynamics is central to market forecasting and execution-strategy evaluation. While diffusion models achieve strong empirical performance, existing LOB snapshot models typically lack a learned recurrent encoder and formal statistical guarantees. We introduce LOBGrad, a conditional DDPM framework for probabilistic LOB forecasting that combines an autoregressive RNN encoder with a diffusion-based generator. In particular, we establish an excess-risk oracle inequality for the one-step DDPM noise-prediction objective under exponential mixing and regularity assumptions. We further show that, under contractive dynamics, the dependence on the conditioning-window length can be reduced to a dependence on the latent-state dimension. Experiments on BTC/USDT, GOOGL, and META show that LOBGrad improves on its encoder-free diffusion ablation across all reported queue metrics and obtains competitive results against other baselines. It also reproduces the key stylized facts of LOB microstructure, and yields reasonably calibrated queue-based predictive intervals. A stylized downstream task illustrates the potential value of the generated forecasts.
• Abstract（参考訳）: 限界順序帳(LOB)のモデリングは市場予測と実行戦略評価の中心である。 拡散モデルは強い経験的性能を達成するが、既存のLOBスナップショットモデルは典型的には学習された再帰エンコーダと形式的な統計的保証を欠いている。 本稿では,自己回帰型RNNエンコーダと拡散型ジェネレータを組み合わせた,確率的LOB予測のための条件付きDDPMフレームワークであるLOBGradを紹介する。 特に,指数混合および正則性仮定の下で1段階のDDPM雑音予測目標に対して,過度リスクのオラクル不等式を確立する。 さらに, コンディショニング・ウインドウ長への依存性を, 潜在状態次元への依存性に還元できることを示した。 BTC/USDT, GOOGL, META の実験では,LOBGrad は報告された全てのキューメトリクスのエンコーダフリー拡散アブレーションを改善し,他のベースラインに対する競合結果を得る。 また、LOBマイクロ構造の重要なスタイル化された事実を再現し、合理的に調整されたキューベースの予測間隔を生成する。 スタイル化された下流タスクは、生成された予測の潜在的な価値を示しています。

関連論文リスト

• DiffPTS: Rethinking Diffusion ELBO for Probabilistic Time Series Forecasting [20.843180660578792]
  確率的時系列予測には、複雑で時間的な分布をモデル化し、予測する必要がある。 Denoising Diffusion Probabilistic Model (DDPM) に基づくアプローチは、事前訓練された平均および分散推定器でdif-fusionプロセスを実装することで、有望であることを示す。 Diff-PTSは,エビデンスローバウンド内のすべてのコンポーネントのエンドツーエンドの最適化を可能にする汎用フレームワークである。
  論文  参考訳（メタデータ） (2026-09-26T08:41:10Z)
• Hierarchical Exponential-Gaussian Mixtures for Watch-Time Distribution Prediction [74.05279072166697]
  Exponential-Gaussian Mixture Network (EGMN) は完全な条件WT分布をモデル化する。 EGMNは分散崩壊、コンポーネントの冗長性、不活性成分に弱い。 本稿では,これらの故障モードに対処する階層型指数-ガウス混合(HEGM)モデルを提案する。
  論文  参考訳（メタデータ） (2026-08-24T15:06:18Z)
• Closing the Loop: A Control-Theoretic Framework for Provably Stable Time Series Forecasting with LLMs [22.486083545585984]
  大規模言語モデル(LLM)は、最近、時系列予測において例外的な可能性を示している。 既存のアプローチは通常、単純で自己回帰的な生成戦略を採用している。 我々は,新しいクローズドループフレームワークである textbfF-LLM を提案する。
  論文  参考訳（メタデータ） (2026-02-13T09:35:12Z)
• KANFormer for Predicting Fill Probabilities via Survival Analysis in Limit Order Books [5.144809478361604]
  KanFormerは、リミットオーダーのタイム・トゥ・フィルを予測する新しいモデルである。 これは、Dilated Causal Convolutional NetworkとTransformer Encoderを組み合わせたもので、Kolmogorov-Arnold Networks (KANs)によって強化されている。 ラベル付き注文でCAC 40インデックス先データを用いてモデルを評価する。
  論文  参考訳（メタデータ） (2025-12-05T14:15:02Z)
• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-24T21:44:31Z)
• Latent Diffusion Model Based Denoising Receiver for 6G Semantic Communication: From Stochastic Differential Theory to Application [11.385703484113552]
  生成人工知能(GAI)を利用した新しい意味コミュニケーションフレームワークを提案する。 意味的特徴抽出のための変分オートエンコーダを組み合わせた潜在拡散モデル(LDM)に基づくセマンティックコミュニケーションフレームワークを提案する。 提案システムはゼロショットの一般化をサポートし,低SNRおよびアウト・オブ・ディストリビューション条件下での優れた性能を実現する訓練自由フレームワークである。
  論文  参考訳（メタデータ） (2025-06-06T03:20:32Z)
• PO-Flow: Flow-based Generative Models for Sampling Potential Outcomes and Counterfactuals [20.10830878838357]
  本稿では,因果推論のための連続正規化フロー(CNF)フレームワークPO-Flowを提案する。 PO-Flowは、平均的な処理効果推定、個人化された潜在的な結果予測、および対実予測に対する統一的なアプローチを提供する。
  論文  参考訳（メタデータ） (2025-05-21T22:02:48Z)
• Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
  3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。 パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T12:43:12Z)
• Distributional Gradient Boosting Machines [77.34726150561087]
  私たちのフレームワークはXGBoostとLightGBMをベースにしています。 我々は,このフレームワークが最先端の予測精度を実現することを示す。
  論文  参考訳（メタデータ） (2022-04-02T06:32:19Z)
• The Limit Order Book Recreation Model (LOBRM): An Extended Analysis [2.0305676256390934]
  マイクロ構造秩序書(LOB)は、金融資産の細かな先進需要と供給関係を描いている。 LOBRMは最近、貿易と引用(TAQ)データからLOBを合成することで、このギャップを埋めることを提案した。 我々はLOBRMの研究を拡張し、実世界のアプリケーションシナリオでの利用をさらに検証する。
  論文  参考訳（メタデータ） (2021-07-01T15:25:21Z)
• Autoregressive Score Matching [113.4502004812927]
  自動回帰条件スコアモデル(AR-CSM)を提案する。 AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。 本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:01:24Z)

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。