論文の概要: Forecasting Probability Distributions of Financial Returns with Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2508.18921v2
• Date: Sat, 30 Aug 2025 12:37:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-03 14:24:52.699669
• Title: Forecasting Probability Distributions of Financial Returns with Deep Neural Networks
• Title（参考訳）: ディープニューラルネットワークによるファイナンシャルリターンの予測確率分布
• Authors: Jakub Michańków,
• Abstract要約: CNNとLong Short-Term Memoryは3つの確率分布のパラメータを予測するために用いられる。 モデルは6つの主要な株式指標(S&P 500、BOVESPA、DAX、WIG、Nikkei 225、KOSPI)でテストされる。 その結果、ディープラーニングモデルは正確な分布予測を提供し、従来のGARCHモデルと競合してバリュー・アット・リスク推定を行うことがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This study evaluates deep neural networks for forecasting probability distributions of financial returns. 1D convolutional neural networks (CNN) and Long Short-Term Memory (LSTM) architectures are used to forecast parameters of three probability distributions: Normal, Student's t, and skewed Student's t. Using custom negative log-likelihood loss functions, distribution parameters are optimized directly. The models are tested on six major equity indices (S\&P 500, BOVESPA, DAX, WIG, Nikkei 225, and KOSPI) using probabilistic evaluation metrics including Log Predictive Score (LPS), Continuous Ranked Probability Score (CRPS), and Probability Integral Transform (PIT). Results show that deep learning models provide accurate distributional forecasts and perform competitively with classical GARCH models for Value-at-Risk estimation. The LSTM with skewed Student's t distribution performs best across multiple evaluation criteria, capturing both heavy tails and asymmetry in financial returns. This work shows that deep neural networks are viable alternatives to traditional econometric models for financial risk assessment and portfolio management.
• Abstract（参考訳）: 本研究では,ファイナンシャルリターンの確率分布予測のためのディープニューラルネットワークの評価を行った。 1D畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)アーキテクチャは、正規分布、学生のt、スキュード学生のtの3つの確率分布のパラメータを予測するために使用される。 カスタムの負のログのような損失関数を使用して、分散パラメータを直接最適化する。 モデルは、Log Predictive Score(LPS)、Continuous Ranked Probability Score(CRPS)、Probability Integral Transform(PIT)などの確率的評価指標を用いて、6つの主要な株式指標(S\&P 500、BOVESPA、DAX、WIG、Nikkei 225、KOSPI)でテストされる。 その結果、ディープラーニングモデルは正確な分布予測を提供し、従来のGARCHモデルと競合してバリュー・アット・リスク推定を行うことがわかった。 スキュード・学生のt分布を持つLSTMは、複数の評価基準で最善を尽くし、財務リターンにおいて重みと非対称性の両方を捉えている。 この研究は、ディープニューラルネットワークが、金融リスク評価とポートフォリオ管理のための従来の計量モデルに代わる有効な選択肢であることを示している。

関連論文リスト

• NBMLSS: probabilistic forecasting of electricity prices via Neural Basis Models for Location Scale and Shape [44.99833362998488]
  我々は、GAMLSSの原理的解釈可能性と、計算にスケーラブルな共有基底分解をブレンドした、位置、スケール、形状のためのニューラル基底モデルをデプロイする。 複数の市場領域で実験が行われ、分布型ニューラルネットワークに匹敵する確率論的予測性能を達成した。
  論文  参考訳（メタデータ） (2024-11-21T08:17:53Z)
• GARCH-Informed Neural Networks for Volatility Prediction in Financial Markets [0.0]
  マーケットのボラティリティを計測し、予測する新しいハイブリッドなDeep Learningモデルを提案する。 他の時系列モデルと比較すると、GINNは決定係数(R2$)、平均正方形誤差(MSE)、平均絶対誤差(MAE)の点で優れたサンプル外予測性能を示した。
  論文  参考訳（メタデータ） (2024-09-30T23:53:54Z)
• Uncertainty Quantification in Multivariable Regression for Material Property Prediction with Bayesian Neural Networks [37.69303106863453]
  物理インフォームドBNNにおける不確実性定量化(UQ)のアプローチを提案する。 本稿では, 鋼のクリープ破断寿命を予測するためのケーススタディを提案する。 クリープ寿命予測の最も有望なフレームワークは、マルコフ・チェイン・モンテカルロによるネットワークパラメータの後方分布の近似に基づくBNNである。
  論文  参考訳（メタデータ） (2023-11-04T19:40:16Z)
• Practical Probabilistic Model-based Deep Reinforcement Learning by Integrating Dropout Uncertainty and Trajectory Sampling [7.179313063022576]
  本稿では,ニューラルネットワーク上に構築された現在の確率モデルベース強化学習(MBRL)の予測安定性,予測精度,制御能力について述べる。 トラジェクトリサンプリング(DPETS)を用いた新しいアプローチであるドロップアウト型確率アンサンブルを提案する。
  論文  参考訳（メタデータ） (2023-09-20T06:39:19Z)
• Deep Learning Based Residuals in Non-linear Factor Models: Precision Matrix Estimation of Returns with Low Signal-to-Noise Ratio [0.0]
  本稿では,大規模なポートフォリオにおける資産返却の精度行列に対する一貫した推定器と収束率を紹介する。 金融市場に典型的な低信号対雑音比環境においても, 評価は引き続き有効である。
  論文  参考訳（メタデータ） (2022-09-09T20:29:54Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Neural Networks and Value at Risk [59.85784504799224]
  リスクしきい値推定における資産価値のモンテカルロシミュレーションを行う。 株式市場と長期債を試験資産として利用し、ニューラルネットワークについて検討する。 はるかに少ないデータでフィードされたネットワークは、大幅にパフォーマンスが悪くなっています。
  論文  参考訳（メタデータ） (2020-05-04T17:41:59Z)
• Recurrent neural networks and Koopman-based frameworks for temporal predictions in a low-order model of turbulence [1.95992742032823]
  本研究では,長期記憶ネットワークを適切に訓練したカオスシステムの長期統計の再現性に優れることを示す。 Koopmanベースのフレームワークは、非線形強制(KNF)を備えたKoopmanと呼ばれ、計算コストが大幅に低い統計において、同じレベルの正確性をもたらす。
  論文  参考訳（メタデータ） (2020-05-01T11:05:14Z)

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。