論文の概要: A Multi-Layer Machine Learning and Econometric Pipeline for Forecasting Market Risk: Evidence from Cryptoasset Liquidity Spillovers

• arxiv url: http://arxiv.org/abs/2510.20066v1
• Date: Wed, 22 Oct 2025 22:36:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:16.937221
• Title: A Multi-Layer Machine Learning and Econometric Pipeline for Forecasting Market Risk: Evidence from Cryptoasset Liquidity Spillovers
• Title（参考訳）: 市場リスク予測のためのマルチ階層機械学習とエコノメトリパイプライン:クリプトアセト流動性指標による証拠
• Authors: Yimeng Qiu, Feihuang Fang,
• Abstract要約: 我々は、中核暗号セットの流動性とボラティリティのプロキシが、市場全体のリスクを予測する流出を発生させるかどうかを調査する。 我々の経験的枠組みは, (A) コア流動性とリターン間の相互作用, (B) 流動性とリターンを結び付ける主成分関係, (C) 断続的ボラティリティの団結を捉えるボラティリティ・ファクター・プロジェクションの3つの統計層を統合している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study whether liquidity and volatility proxies of a core set of cryptoassets generate spillovers that forecast market-wide risk. Our empirical framework integrates three statistical layers: (A) interactions between core liquidity and returns, (B) principal-component relations linking liquidity and returns, and (C) volatility-factor projections that capture cross-sectional volatility crowding. The analysis is complemented by vector autoregression impulse responses and forecast error variance decompositions (see Granger 1969; Sims 1980), heterogeneous autoregressive models with exogenous regressors (HAR-X, Corsi 2009), and a leakage-safe machine learning protocol using temporal splits, early stopping, validation-only thresholding, and SHAP-based interpretation. Using daily data from 2021 to 2025 (1462 observations across 74 assets), we document statistically significant Granger-causal relationships across layers and moderate out-of-sample predictive accuracy. We report the most informative figures, including the pipeline overview, Layer A heatmap, Layer C robustness analysis, vector autoregression variance decompositions, and the test-set precision-recall curve. Full data and figure outputs are provided in the artifact repository.
• Abstract（参考訳）: 我々は、中核暗号セットの流動性とボラティリティのプロキシが、市場全体のリスクを予測する流出を発生させるかどうかを調査する。 我々の経験的枠組みは, (A) コア流動性とリターン間の相互作用, (B) 流動性とリターンを結び付ける主成分関係, (C) 断続的ボラティリティの団結を捉えるボラティリティ・ファクター・プロジェクションの3つの統計層を統合している。 この分析は、ベクトル自己回帰インパルス応答と予測誤差分散分解(Granger 1969; Sims 1980)、外因性回帰器を持つ異種自己回帰モデル(HAR-X, Corsi 2009)、時間分割、早期停止、検証専用しきい値設定、SHAPベースの解釈を用いたリークセーフ機械学習プロトコルによって補完される。 2021年から2025年までの日次データ(74資産にわたる1462の観測)を用いて、層間における統計的に有意なグランガー因果関係と適度なアウト・オブ・サンプル予測精度を文書化する。 本稿では,パイプライン概要,レイヤAヒートマップ,層Cロバスト性解析,ベクトル自己回帰分散分解,テストセット精度・リコール曲線など,最も有用な数値について報告する。 完全なデータと図のアウトプットは、アーティファクトリポジトリに提供されている。

関連論文リスト

• Revisiting Multivariate Time Series Forecasting with Missing Values [74.56971641937771]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Assessing Uncertainty in Stock Returns: A Gaussian Mixture Distribution-Based Method [19.332951287688108]
  中国株式市場における資産返却分布の複雑で時間的な性質を捉えるための新しい深層学習モデルを導入する。 提案手法は,スキューネスやヘビーテールなどの短期変動と,ストックリターンの非伝統的な特徴を効果的に特徴付ける。 より正確なボラティリティ予測を提供し、異なる資産に対するユニークなリスク洞察を提供し、それによってリターンの不確実性に対する理解を深める。
  論文  参考訳（メタデータ） (2025-03-10T05:20:56Z)
• Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
  我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。 この設定では、一般化されたクロスバリデーション推定器(GCV)がサンプル外リスクを正確に予測できないことを示す。 さらに、テストポイントがトレーニングセットと非自明な相関を持つ場合、時系列予測でしばしば発生する設定にまで分析を拡張します。
  論文  参考訳（メタデータ） (2024-08-08T17:27:29Z)
• Diffusion-based subsurface CO$_2$ multiphysics monitoring and forecasting [4.2193475197905705]
  本稿では,ビデオ拡散モデルを用いた新しい地下マルチ物理モニタリングおよび予測フレームワークを提案する。 このアプローチは、CO$2$進化の高品質な表現と、それに伴う地下弾性特性の変化を生成することができる。 コンパスモデルに基づく実験では,CO$モニタリングに関連する本質的に複雑な物理現象を,提案手法がうまく捉えることができた。
  論文  参考訳（メタデータ） (2024-07-25T23:04:37Z)
• Deep Learning Enhanced Realized GARCH [6.211385208178938]
  本稿では,深層学習(LSTM)とボラティリティ対策の併用によるボラティリティモデリングの新しい手法を提案する。 このLSTMで強化されたGARCHフレームワークは、金融経済学、高周波取引データ、ディープラーニングによるモデリングの進歩を取り入れ、蒸留する。
  論文  参考訳（メタデータ） (2023-02-16T00:20:43Z)

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。