本研究では、動力学に基づいた人工ニューラルネットワーク（KINN）を用いて、長期の株式予測を行う際の損失関数において、時間系列データのポイント間の速度関係を弱く強制する手法を提案しています。この手法は、シリーズのボラティリティや分布外データ、トレーニングデータにおける外れ値の問題に対処します。具体的には、モデルは未来のポイントを予測するだけでなく、ポイント間の速度関係も学習し、現実的でない予測を回避します。提案する損失関数は、予測と監視ラベルデータ間の誤差に加え、次のポイント予測と前のポイントに基づく速度予測間の誤差も罰する仕組みです。多くのAR ANNアーキテクチャに対してこの損失関数をテストし、約15年間のダウ・ジョーンズのデータで統計的に意義のある改善が示されました。結果として、このアーキテクチャはデータのトポロジーを破壊することなく、データの近接性を弱く保持することにより、自動回帰モデルにおける正規化の問題に対処できることが示されています。