論文の概要: Modeling Market States with Clustering and State Machines
- arxiv url: http://arxiv.org/abs/2510.00953v1
- Date: Wed, 01 Oct 2025 14:28:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-03 14:32:17.212777
- Title: Modeling Market States with Clustering and State Machines
- Title（参考訳）: クラスタリングとステートマシンによる市場状態のモデリング
- Authors: Christian Oliva, Silviu Gabriel Tinjala,
- Abstract要約: この研究は、解釈可能な確率的状態マシンを通じて金融市場をモデリングするための新しい枠組みを導入する。
我々は、拡大段階、縮小期、危機、回復など、根底にある体制をとらえる異なる市場国家を識別する。
これらの状態間のダイナミクスを表す遷移行列から、市場の時間的進化をモデル化する確率的状態マシンを構築する。
- 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 work introduces a new framework for modeling financial markets through an interpretable probabilistic state machine. By clustering historical returns based on momentum and risk features across multiple time horizons, we identify distinct market states that capture underlying regimes, such as expansion phase, contraction, crisis, or recovery. From a transition matrix representing the dynamics between these states, we construct a probabilistic state machine that models the temporal evolution of the market. This state machine enables the generation of a custom distribution of returns based on a mixture of Gaussian components weighted by state frequencies. We show that the proposed benchmark significantly outperforms the traditional approach in capturing key statistical properties of asset returns, including skewness and kurtosis, and our experiments across random assets and time periods confirm its robustness.
- Abstract（参考訳）: この研究は、解釈可能な確率的状態マシンを通じて金融市場をモデリングするための新しい枠組みを導入する。
複数の時間的地平線にまたがるモーメントとリスクの特徴に基づいて過去のリターンをクラスタリングすることで、拡張フェーズ、収縮、危機、回復といった根底にあるレジームを捉える異なる市場状態を特定します。
これらの状態間のダイナミクスを表す遷移行列から、市場の時間的進化をモデル化する確率的状態マシンを構築する。
この状態マシンは、状態周波数で重み付けされたガウス成分の混合に基づいて、リターンのカスタム分布を生成することができる。
提案手法は, ゆらぎや曲率など, 資産返却の重要統計特性を捉える上で, 従来の手法よりも著しく優れており, ランダムな資産や期間にわたる実験により, その堅牢性が確認されている。
関連論文リスト
- Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。
マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。
振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
論文 参考訳（メタデータ） (2024-09-05T18:14:22Z) - Probabilistic Forecasting of Real-Time Electricity Market Signals via Interpretable Generative AI [41.99446024585741]
Weak Innovation AutoEncoderをベースとしたGenerative Probabilistic ForecastingアーキテクチャであるWIAE-GPFを提案する。
構造収束を保証する新しい学習アルゴリズムを提案し、生成した予測サンプルが基底真理条件付き確率分布と一致することを保証した。
論文 参考訳（メタデータ） (2024-03-09T00:41:30Z) - Multi-Asset Spot and Option Market Simulation [52.77024349608834]
正規化フローに基づく1つの基盤となる1つのマーケットシミュレータを現実的に構築する。
本研究では, 正規化流れの条件付き可逆性を活用し, 独立シミュレータの連立分布をキャリブレーションするスケーラブルな手法を提案する。
論文 参考訳（メタデータ） (2021-12-13T17:34:28Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳（メタデータ） (2021-01-31T06:49:33Z) - Improving the Robustness of Trading Strategy Backtesting with Boltzmann
Machines and Generative Adversarial Networks [0.0]
この記事では、市場ジェネレータを構築するための機械学習モデルの使用について説明する。
基礎となる考え方は、統計的性質が金融市場に見られるものと同じである人工多次元金融時系列をシミュレートすることである。
そこで本稿では,バックテスト統計の確率分布を推定する新しい手法を提案する。
論文 参考訳（メタデータ） (2020-07-09T14:37:45Z)
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。