論文の概要: TensorLOB: Structure-Preserving Tensor Learning for Limit Order Book Forecasting

• arxiv url: http://arxiv.org/abs/2611.02866v1
• Date: Mon, 02 Nov 2026 10:03:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 14:43:40.070883
• Title: TensorLOB: Structure-Preserving Tensor Learning for Limit Order Book Forecasting
• Title（参考訳）: TensorLOB:制限順序ブック予測のための構造保存型テンソル学習
• Abstract要約: 限定注文帳(LOB)は、複数の価格レベルにわたる優れた購入と販売の注文を記録します。 既存のLOBモデルがフラットな次元を行列モデルにし、既存の構造的関係を隠蔽する。 固有テンソル領域で完全に動作するようにLOBを設計する。 LOBは、評価された4つの地平線全体の最高精度、リコール、F1スコアを達成する。
• 参考スコア（独自算出の注目度）: 6.287298138084187
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The limit order book (LOB) records outstanding buy and sell orders across multiple price levels. Its state evolves over time across market side, price level, and order attribute, naturally forming a multiway structure. However, existing LOB models typically flatten these dimensions into a matrix model, thus obscuring the existing structural relationships. Starting from first principles and the market-microstructure intuition of the LOB, we design TensorLOB to operate entirely in the tensor domain. TensorLOB uses mode-wise tensor contractions for feature extraction and directly contracts the learned representation with low-rank class-weight tensors for prediction, retaining the distinct roles of time, side, level, and attribute modes. Experiments on the FI-2010 benchmark show that TensorLOB achieves the highest accuracy, recall, and F1 score across all four evaluated horizons. This proof of concept highlights the potential of high-dimensional modelling of multi-way latent information intrinsic to financial markets, which has so far been largely overlooked.
• Abstract（参考訳）: このリミットオーダーブック(LOB)は、複数の価格レベルにわたる優れた購入と販売の注文を記録している。 その状態は市場側、価格レベル、注文属性を越えて時間をかけて進化し、自然にマルチウェイ構造を形成する。 しかし、既存のLOBモデルは一般にこれらの次元を行列モデルに平坦化し、既存の構造的関係を隠蔽する。 第一原理とLOBの市場-ミクロ構造直観から始まり、テンソルロBをテンソル領域で完全に動作するように設計する。 TensorLOBは、特徴抽出にモードワイドテンソル契約を使用し、学習した表現を低ランクのクラスウェイトテンソルと直接契約して予測し、時間、側、レベル、属性モードの異なる役割を保持する。 FI-2010ベンチマークの実験では、TensorLOBは4つの評価された地平線で最高精度、リコール、F1スコアを達成した。 この概念実証は、これまで見過ごされてきた金融市場固有の多方向潜伏情報の高次元モデリングの可能性を強調している。

関連論文リスト

• Vector-Quantized Discrete Latent Factors Meet Financial Priors: Dynamic Cross-Sectional Stock Ranking Prediction for Portfolio Construction [0.0]
  PRISM-VQ (PRior-Informed Stock Model with Vector Quantization) は、専門家の事前因子、断面構造から学習されたベクトル量子化潜在因子、および時間変化の要因負荷を生成する構造条件付き混合要素を統合する動的因子フレームワークである。 CSI 300とS&P 500の実験では、解釈可能性を維持しながら、強いベースラインよりも断続的なリターン予測とポートフォリオパフォーマンスが一貫して改善されている。
  論文  参考訳（メタデータ） (2026-05-13T12:02:53Z)
• LOBERT: Generative AI Foundation Model for Limit Order Book Messages [52.54676013594764]
  LOBERTは,金融リミットオーダーブック(LOB)データのための汎用エンコーダのみの基盤モデルである。 LOBERTは、完全な多次元メッセージを単一トークンとして扱う新しいトークン化スキームを使用して、LOBデータに独自のBERTアーキテクチャを適用する。 これらの手法により、LOBRTは、中間価格の動きや次のメッセージの予測などのタスクにおいて、主要なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-11-16T11:42:48Z)
• Representation Learning of Limit Order Book: A Comprehensive Study and Benchmarking [3.94375691568608]
  限界秩序書(LOB)は市場ダイナミクスの詳細なビューを提供する。 既存のアプローチはしばしば、エンド・ツー・エンドの方法で特定の下流タスクによる表現学習を密に結合する。 我々は、実際の中国のAシェア市場データを標準化したベンチマークであるLOBenchを紹介し、キュレートされたデータセット、統一された前処理、一貫した評価指標、強力なベースラインを提供する。
  論文  参考訳（メタデータ） (2025-05-04T15:00:00Z)
• TLOB: A Novel Transformer Model with Dual Attention for Price Trend Prediction with Limit Order Book Data [10.684577067675585]
  制限順序帳(LOB)データに基づく価格トレンド予測(PTP)は、金融市場における根本的な課題である。 LOBデータにおける空間的および時間的依存関係を捉えるために,デュアルアテンション機構を用いたトランスフォーマーベースモデルTLOBを提案する。 F1スコアの6.68は、市場効率の上昇を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-02-12T12:41:10Z)
• Searching for Efficient Linear Layers over a Continuous Space of Structured Matrices [88.33936714942996]
  アインシュタイン和を通じて表現可能なすべての線形作用素の探索を可能にする統一フレームワークを提案する。 計算-最適スケーリング法則の違いは主に少数の変数によって支配されていることを示す。 そこで,Mixture-of-Experts (MoE) は,注目ブロックの投影を含む,モデルのすべての線形層におけるMoEを学習する。
  論文  参考訳（メタデータ） (2024-10-03T00:44:50Z)
• Unveiling Induction Heads: Provable Training Dynamics and Feature Learning in Transformers [54.20763128054692]
  我々は,2層変換器が$n$-gramのマルコフ連鎖データ上でICLを実行するためにどのように訓練されているかを検討する。 クロスエントロピー ICL 損失に対する勾配流が極限モデルに収束することを証明する。
  論文  参考訳（メタデータ） (2024-09-09T18:10:26Z)
• Language Model Cascades: Token-level uncertainty and beyond [65.38515344964647]
  言語モデル(LM)の最近の進歩により、複雑なNLPタスクの品質が大幅に向上した。 Cascadingは、より好ましいコスト品質のトレードオフを達成するためのシンプルな戦略を提供する。 トークンレベルの不確実性を学習後遅延ルールに組み込むことで,単純な集約戦略を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2024-04-15T21:02:48Z)
• Axial-LOB: High-Frequency Trading with Axial Attention [0.0]
  Axial-LOBは、リミットオーダーブック(LOB)データから在庫の価格変動を予測するための、完全に意図したディープラーニングアーキテクチャである。 我々のアーキテクチャは、グローバルな相互作用を取り入れた特徴マップを構築することができ、パラメータ空間のサイズを大幅に削減できる。 Axial-LOBの有効性は、数百万の高周波取引イベントの時系列表現を含む大規模なベンチマークデータセットで実証されている。
  論文  参考訳（メタデータ） (2022-12-04T12:11:03Z)
• 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)
• Improving Label Quality by Jointly Modeling Items and Annotators [68.8204255655161]
  雑音アノテータから基底真理ラベルを学習するための完全ベイズ的枠組みを提案する。 我々のフレームワークは、ラベル分布上の生成的ベイズソフトクラスタリングモデルを古典的なDavidとSkeneのジョイントアノテータデータモデルに分解することでスケーラビリティを保証する。
  論文  参考訳（メタデータ） (2021-06-20T02:15:20Z)

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。