論文の概要: Predicting Stock Market Crash with Bayesian Generalised Pareto Regression
- arxiv url: http://arxiv.org/abs/2506.17549v1
- Date: Sat, 21 Jun 2025 02:36:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-24 19:06:36.46966
- Title: Predicting Stock Market Crash with Bayesian Generalised Pareto Regression
- Title（参考訳）: ベイジアン・ジェネラル・パレート・レグレッションによる株価急落予測
- Authors: Sourish Das,
- Abstract要約: 極端に負のリターンはまれではあるが、経済的に大きな混乱を引き起こす。
本稿では,インド株式市場の極端な損失を予測するため,ベイジアン一般化パレート回帰モデルを開発する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper develops a Bayesian Generalised Pareto Regression (GPR) model to forecast extreme losses in Indian equity markets, with a focus on the Nifty 50 index. Extreme negative returns, though rare, can cause significant financial disruption, and accurate modelling of such events is essential for effective risk management. Traditional Generalised Pareto Distribution (GPD) models often ignore market conditions; in contrast, our framework links the scale parameter to covariates using a log-linear function, allowing tail risk to respond dynamically to market volatility. We examine four prior choices for Bayesian regularisation of regression coefficients: Cauchy, Lasso (Laplace), Ridge (Gaussian), and Zellner's g-prior. Simulation results suggest that the Cauchy prior delivers the best trade-off between predictive accuracy and model simplicity, achieving the lowest RMSE, AIC, and BIC values. Empirically, we apply the model to large negative returns (exceeding 5%) in the Nifty 50 index. Volatility measures from the Nifty 50, S&P 500, and gold are used as covariates to capture both domestic and global risk drivers. Our findings show that tail risk increases significantly with higher market volatility. In particular, both S&P 500 and gold volatilities contribute meaningfully to crash prediction, highlighting global spillover and flight-to-safety effects. The proposed GPR model offers a robust and interpretable approach for tail risk forecasting in emerging markets. It improves upon traditional EVT-based models by incorporating real-time financial indicators, making it useful for practitioners, policymakers, and financial regulators concerned with systemic risk and stress testing.
- Abstract（参考訳）: 本稿では,インド株式市場の極端な損失を予測するためのベイズ一般化パレート回帰(GPR)モデルを開発し,ニフティ50指数に着目した。
極端に負のリターンは稀ではあるが、重大な財政的混乱を引き起こす可能性があり、そのような事象の正確なモデリングは効果的なリスク管理に不可欠である。
従来の一般化されたパレート分布(GPD)モデルは市場条件を無視することが多く、対照的に、我々のフレームワークはスケールパラメータをログ線形関数を用いて共変量にリンクし、テールリスクが市場のボラティリティに動的に対応できるようにする。
回帰係数のベイズ正則化には、コーシー、ラッソ(Laplace)、リッジ(Gaussian)、ツェルナー(Zellner)のg-prior(g-prior)の4つの選択肢がある。
シミュレーションの結果、Cauchyは予測精度とモデル単純さの最良のトレードオフを提供し、RMSE、AIC、BICの最低値を達成することが示唆された。
実験的に、ニフティ50指数において、このモデルを大きな負のリターン(5%)に適用する。
ニフティ50、S&P500、金のボラティリティ対策は、国内と世界のリスクドライバーの両方を捕えるために共変量として使用される。
以上の結果から, 市場のボラティリティの上昇に伴い, 尾部リスクが著しく増大することが示唆された。
特に、S&P 500と金の揮発性は、クラッシュ予測に有意義に寄与し、世界的な流出と飛行から安全への影響を強調している。
提案したGPRモデルは、新興市場におけるテールリスク予測のための堅牢で解釈可能なアプローチを提供する。
EVTベースの従来のモデルを改善するために、リアルタイムの財務指標を取り入れ、システム的リスクとストレステストに関する実践者、政策立案者、金融規制当局にとって有用である。
関連論文リスト
- Bridging Econometrics and AI: VaR Estimation via Reinforcement Learning and GARCH Models [0.0]
本稿では,GARCHのボラティリティモデルと深い強化学習を組み合わせた,VaR(Value-at-Risk)推定のためのハイブリッドフレームワークを提案する。
本手法では,Double Deep Q-Network (DDQN) モデルを用いて市場予測を行い,タスクを不均衡な分類問題として扱う。
危機と高いボラティリティの期間をカバーする毎日のEurostoxx 50データに関する実証的な検証は、VaR推定の精度を大幅に改善したことを示している。
論文 参考訳（メタデータ） (2025-04-23T11:54:22Z) - The Hybrid Forecast of S&P 500 Volatility ensembled from VIX, GARCH and LSTM models [0.0]
本研究では,S&P500のボラティリティ予測の精度を向上させるための4つの方法を検討する。
機械学習アプローチ,特にハイブリッドLSTMモデルは,従来のGARCHモデルよりも大幅に優れていることがわかった。
この研究結果は、より正確なボラティリティ予測を達成するための貴重な洞察を提供する。
論文 参考訳（メタデータ） (2024-07-23T18:28:16Z) - RAGIC: Risk-Aware Generative Adversarial Model for Stock Interval
Construction [4.059196561157555]
既存の予測アプローチの多くは、効果的な意思決定に必要な深さを欠いて、単一ポイントの予測に焦点を当てている。
本稿では,不確実性をより効果的に定量化するために,ストック間隔予測のためのシーケンス生成を導入するRAGICを提案する。
RAGICのジェネレータには、情報投資家のリスク認識をキャプチャするリスクモジュールと、歴史的価格動向と季節性を考慮した時間モジュールが含まれている。
論文 参考訳（メタデータ） (2024-02-16T15:34:07Z) - Short-term Volatility Estimation for High Frequency Trades using
Gaussian processes (GPs) [0.0]
投資家のリターンの安全と経済のために、必要で定期的な短期・長期の株価変動予測を行うことが不可欠である。
本稿では,短時間のボラティリティに対する数値モデルと確率モデルの組み合わせと,高周波取引におけるリターン予測を実装した。
論文 参考訳（メタデータ） (2023-11-18T02:03:48Z) - Combining Deep Learning and GARCH Models for Financial Volatility and
Risk Forecasting [0.0]
我々は,一般的な計量的GARCH時系列モデルとディープラーニングニューラルネットワークを組み合わせることで,金融商品のボラティリティとリスクを予測するハイブリッドアプローチを開発した。
一方,GARCHは標準GARCH,EGARCH,GJR-GARCH,APARCHの4つの仕様が採用されている。
モデルは、S&P500指数の日替わりの対数リターンと、金価格のBitcoin価格でテストされる。
論文 参考訳（メタデータ） (2023-10-02T10:18:13Z) - Diffusion Variational Autoencoder for Tackling Stochasticity in
Multi-Step Regression Stock Price Prediction [54.21695754082441]
長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。
多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。
深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。
本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-08-18T16:21:15Z) - 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) - Probable Domain Generalization via Quantile Risk Minimization [90.15831047587302]
ドメインの一般化は、目に見えないテスト分布でうまく機能する予測子を求める。
我々はDGのための新しい確率的フレームワークを提案し、高い確率でよく動作する予測器を学習することを目指している。
論文 参考訳（メタデータ） (2022-07-20T14:41:09Z) - Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics
in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。
最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。
予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文 参考訳（メタデータ） (2022-03-07T18:59:54Z) - Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。
ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。
2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
論文 参考訳（メタデータ） (2021-09-14T18:50:38Z)
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。