論文の概要: Prediction Markets with Intermittent Contributions

• arxiv url: http://arxiv.org/abs/2510.13385v1
• Date: Wed, 15 Oct 2025 10:23:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.621424
• Title: Prediction Markets with Intermittent Contributions
• Title（参考訳）: 間欠的貢献による予測市場
• Authors: Michael Vitali, Pierre Pinson,
• Abstract要約: 私たちは予測市場に基づいて、より一般的な枠組みに身を置いています。 そこでは、独立系エージェントが報酬と引き換えに、不確実な将来の出来事の予測を交換している。 我々は、(i)エージェントの歴史的パフォーマンスを考慮に入れた予測市場を導入・分析し、(ii)エージェントが自発的に市場に入り、出ることを許可する一方、(iii)エージェントは、時間的に変化する条件に適応する。
• 参考スコア（独自算出の注目度）: 2.7429630700600893
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although both data availability and the demand for accurate forecasts are increasing, collaboration between stakeholders is often constrained by data ownership and competitive interests. In contrast to recent proposals within cooperative game-theoretical frameworks, we place ourselves in a more general framework, based on prediction markets. There, independent agents trade forecasts of uncertain future events in exchange for rewards. We introduce and analyse a prediction market that (i) accounts for the historical performance of the agents, (ii) adapts to time-varying conditions, while (iii) permitting agents to enter and exit the market at will. The proposed design employs robust regression models to learn the optimal forecasts' combination whilst handling missing submissions. Moreover, we introduce a pay-off allocation mechanism that considers both in-sample and out-of-sample performance while satisfying several desirable economic properties. Case-studies using simulated and real-world data allow demonstrating the effectiveness and adaptability of the proposed market design.
• Abstract（参考訳）: データ可用性と正確な予測の需要の両方が増加しているが、利害関係者間のコラボレーションは、データ所有と競争上の利益によって制約されることが多い。 協調ゲーム理論フレームワークにおける最近の提案とは対照的に、予測市場に基づくより一般的な枠組みに自らを置く。 そこでは、独立系エージェントが報酬と引き換えに、不確実な将来の出来事の予測を交換している。 我々は予測市場を導入し分析する 一 代理人の事跡を記載すること。 (二)時変に適応する一方、 三 エージェントが自由に市場に入ることを許可すること。 提案した設計では、欠落した提案を処理しながら最適な予測の組み合わせを学習するために頑健な回帰モデルを用いている。 さらに,いくつかの望ましい経済特性を満足しつつ,サンプル内とサンプル外の両方のパフォーマンスを考慮したペイオフ配分機構を導入する。 シミュレーションおよび実世界のデータを用いたケーススタディにより、提案した市場設計の有効性と適応性を示すことができる。

関連論文リスト

• Fair and Welfare-Efficient Constrained Multi-matchings under Uncertainty [17.364297444721057]
  我々は、市場デザイナーがグループフェアネスを維持しながら全体的な福祉を最適化する制約された資源の公平な配分について研究する。 多くの大規模環境では、ユーティリティは事前には知られていないが、アロケーションを実現した後で観察される。 本稿では、これらのトレードオフを2つのパラダイムで論じる。
  論文  参考訳（メタデータ） (2024-11-04T22:42:34Z)
• Performative Prediction on Games and Mechanism Design [69.7933059664256]
  エージェントが過去の正確性に基づいて予測を信頼するかを判断する集団リスクジレンマについて検討する。 予測が集合的な結果を形成するにつれて、社会福祉は関心の指標として自然に現れる。 よりよいトレードオフを実現し、それらをメカニズム設計に使用する方法を示します。
  論文  参考訳（メタデータ） (2024-08-09T16:03:44Z)
• DiffSTOCK: Probabilistic relational Stock Market Predictions using Diffusion Models [1.9662978733004601]
  我々は、歴史的金融指標とストック間関係を前提とした、より良い市場予測を提供するためのアーキテクチャを開発する。 また,Masked Transformer (RTM) を用いて,ストック間関係と歴史的ストックの特徴を生かした新しい決定論的アーキテクチャ MTCHS を提供する。
  論文  参考訳（メタデータ） (2024-03-21T01:20:32Z)
• 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)
• Bayesian Regression Markets [0.16385815610837165]
  我々は、データ共有のための金銭的インセンティブを提供するためのレグレッション市場を開発する。 文献上の同様の提案が、市場エージェントを大きめの金融リスクに晒すことが示されている。
  論文  参考訳（メタデータ） (2023-10-23T14:45:51Z)
• Improved Bayes Risk Can Yield Reduced Social Welfare Under Competition [99.7047087527422]
  本研究は,機械学習のスケーリングトレンドの振る舞いを根本的に変化させることを実証する。 データ表現品質の改善により、ユーザ間での全体的な予測精度が低下する、多くの設定が見つかる。 概念レベルでは,各モデルプロジェクタのスケーリング傾向が,社会福祉の下流改善に寄与する必要はないことが示唆された。
  論文  参考訳（メタデータ） (2023-06-26T13:06:34Z)
• Measuring Financial Time Series Similarity With a View to Identifying Profitable Stock Market Opportunities [12.101446195463591]
  歴史的価格データのみを用いて株式市場のリターンを予測するケースベースの推論手法について述べる。 この研究の重要な貢献は、歴史的価格データを比較するための新しい類似度指標の開発である。
  論文  参考訳（メタデータ） (2021-07-07T17:26:32Z)
• Test-time Collective Prediction [73.74982509510961]
  マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。 エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。 我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
  論文  参考訳（メタデータ） (2021-06-22T18:29:58Z)

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。