論文の概要: Probabilistic Forecasting Cryptocurrencies Volatility: From Point to Quantile Forecasts

• arxiv url: http://arxiv.org/abs/2508.15922v1
• Date: Thu, 21 Aug 2025 18:42:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-25 16:42:36.168155
• Title: Probabilistic Forecasting Cryptocurrencies Volatility: From Point to Quantile Forecasts
• Title（参考訳）: 暗号通貨のボラティリティの確率論的予測:ポイントから量子予測へ
• Authors: Grzegorz Dudek, Witold Orzeszko, Piotr Fiszeder,
• Abstract要約: 本稿では,幅広いベースモデルからの点予測を利用する確率的予測手法を提案する。 我々の知る限りでは、暗号通貨市場におけるばらつきの確率論的予測を提案し、体系的に評価する文献としては、これが初めてである。 Bitcoinの実証的な結果は、QRS(Quantile Estimation through Residual Simulation)メソッドが、より高度な代替手段を一貫して上回っていることを示している。
• 参考スコア（独自算出の注目度）: 1.8352113484137627
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Cryptocurrency markets are characterized by extreme volatility, making accurate forecasts essential for effective risk management and informed trading strategies. Traditional deterministic (point) forecasting methods are inadequate for capturing the full spectrum of potential volatility outcomes, underscoring the importance of probabilistic approaches. To address this limitation, this paper introduces probabilistic forecasting methods that leverage point forecasts from a wide range of base models, including statistical (HAR, GARCH, ARFIMA) and machine learning (e.g. LASSO, SVR, MLP, Random Forest, LSTM) algorithms, to estimate conditional quantiles of cryptocurrency realized variance. To the best of our knowledge, this is the first study in the literature to propose and systematically evaluate probabilistic forecasts of variance in cryptocurrency markets based on predictions derived from multiple base models. Our empirical results for Bitcoin demonstrate that the Quantile Estimation through Residual Simulation (QRS) method, particularly when applied to linear base models operating on log-transformed realized volatility data, consistently outperforms more sophisticated alternatives. Additionally, we highlight the robustness of the probabilistic stacking framework, providing comprehensive insights into uncertainty and risk inherent in cryptocurrency volatility forecasting. This research fills a significant gap in the literature, contributing practical probabilistic forecasting methodologies tailored specifically to cryptocurrency markets.
• Abstract（参考訳）: 暗号通貨市場は極端なボラティリティを特徴とし、効果的なリスク管理と情報取引戦略に必要不可欠な正確な予測を行う。 従来の決定論的(ポイント)予測手法は、潜在的なボラティリティの結果の完全なスペクトルを捉えるには不十分であり、確率論的アプローチの重要性を強調している。 この制限に対処するために,統計的(HAR, GARCH, ARFIMA)や機械学習(LASSO, SVR, MLP, Random Forest, LSTM)アルゴリズムなど,幅広いベースモデルからの点予測を利用する確率的予測手法を導入し,暗号実現分散の条件量子化を推定する。 我々の知る限りでは、複数のベースモデルから導かれる予測に基づいて、暗号市場における分散の確率論的予測を提案し、体系的に評価する文献としては、これが初めてである。 我々のBitcoinに関する実証的な結果は、QRS(Quantile Estimation through Residual Simulation)メソッドが特に、ログ変換された実現されたボラティリティデータを操作する線形ベースモデルに適用された場合、より高度な代替手段よりも一貫して優れていることを示している。 さらに、確率的積み重ねフレームワークの堅牢性を強調し、暗号通貨のボラティリティ予測に固有の不確実性とリスクに関する包括的な洞察を提供する。 この研究は文献の重大なギャップを埋め、暗号市場に特化した実用的な確率予測手法に寄与する。

関連論文リスト

• Isotonic Quantile Regression Averaging for uncertainty quantification of electricity price forecasts [0.0]
  アイソトニック量子回帰平均化(iQRA)と呼ばれる点予測のアンサンブルから確率予測を生成する新しい手法を提案する。 iQRAは信頼性とシャープさの両方の観点から,最先端のポストプロセッシング手法よりも一貫して優れていることを示す。 精度の高い予測間隔を複数の信頼レベルにわたって生成し、全てのベンチマーク手法に優れた信頼性を提供する。
  論文  参考訳（メタデータ） (2025-07-20T18:28:39Z)
• A comparative analysis of machine learning algorithms for predicting probabilities of default [1.534667887016089]
  将来的な融資のデフォルト(PD)の確率を予測することは、金融機関にとって重要な目標である。 近年,機械学習(ML)アルゴリズムは様々な予測タスクにおいて顕著な成功を収めている。 本稿では,5つの予測モデルの性能を比較することで,MLアルゴリズムがこの分野にもたらす機会を強調する。
  論文  参考訳（メタデータ） (2025-06-24T16:56:07Z)
• 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)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [51.3422222472898]
  ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。 我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)
• Creating Probabilistic Forecasts from Arbitrary Deterministic Forecasts using Conditional Invertible Neural Networks [0.19573380763700712]
  我々は、条件付き可逆ニューラルネットワーク(cINN)を用いて、データの基盤となる分布を学習し、この分布からの不確実性を任意の決定論的予測と組み合わせる。 我々のアプローチは、複雑な統計的損失関数やさらなる仮定を伴わずに、確率的予測を簡単に作成できる。
  論文  参考訳（メタデータ） (2023-02-03T15:11:39Z)
• 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)
• 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)
• CC-Cert: A Probabilistic Approach to Certify General Robustness of Neural Networks [58.29502185344086]
  安全クリティカルな機械学習アプリケーションでは、モデルを敵の攻撃から守ることが不可欠である。 意味的に意味のある入力変換に対して、ディープラーニングモデルの証明可能な保証を提供することが重要である。 我々はChernoff-Cramer境界に基づく新しい普遍確率的証明手法を提案する。
  論文  参考訳（メタデータ） (2021-09-22T12:46:04Z)

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。