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
- Sharp Convergence Rates for Masked Diffusion Models [53.117058231393834]
制約を克服するオイラー法に対する全変分に基づく解析法を開発した。
その結果、スコア推定の仮定を緩和し、パラメータ依存性を改善し、収束保証を確立する。
全体としては,CTMC軌道に沿った直接テレビによる誤り分解と,FHSのためのデカップリングに基づく経路解析を導入している。
論文 参考訳（メタデータ） (2026-02-26T00:47:51Z) - XGBoost Forecasting of NEPSE Index Log Returns with Walk Forward Validation [1.2347259751353263]
本研究では,XGBoost回帰器を用いたネパール証券取引所(NEPSE)指数の1段階回帰予測のための頑健な機械学習フレームワークを開発した。
ログリターン(最大30日)と確立された技術指標を含む、包括的な機能セットが設計されている。
実験の結果、最適な構成、20のラグを持つ拡張ウィンドウは、ARIMAとRookの回帰ベンチマークより優れていた。
論文 参考訳（メタデータ） (2026-01-13T15:22:08Z) - Bayesian Modeling for Uncertainty Management in Financial Risk Forecasting and Compliance [0.0]
我々は,市場ボラティリティ予測,不正検出,コンプライアンス監視におけるリスクの取り扱いを継続的に促進する統合的アプローチを開発する。
我々は,2000年から2019年までのトレーニング期間,2020年から2024年までのアウト・オブ・サンプルテスト期間を用いて,毎日のS&P500リターンにおける95%バリュー・アット・リスク(VaR)予測の性能を評価した。
提案した割引係数DLMモデルは,クラスタ化違反の証拠とともに,わずかにリベラルなVaR推定を導出する。
論文 参考訳（メタデータ） (2025-12-06T23:00:19Z) - Multivariate Forecasting of Bitcoin Volatility with Gradient Boosting: Deterministic, Probabilistic, and Feature Importance Perspectives [1.8352113484137627]
本研究は,Bitcoinが実現したボラティリティの確定的および確率的予測に,光グラディエントブースティングマシン(LGBM)モデルの適用について検討した。
本稿では,LGBMに基づくモデルの性能評価を行い,それとエコノメトリと機械学習のベースラインを比較した。
論文 参考訳（メタデータ） (2025-11-25T09:26:13Z) - Partial multivariate transformer as a tool for cryptocurrencies time series prediction [0.0]
部分多変量戦略は,有意な統計的精度を達成し,情報信号と雑音のバランスを効果的に行うことを示す。
予測誤差の低さは、シミュレーションにおける高い金融リターンに一貫して変換されなかった。
この発見は、従来のエラーメトリクスへの依存に挑戦し、現実の財務目標とより整合した評価基準を開発する必要性を強調している。
論文 参考訳（メタデータ） (2025-11-22T21:59:32Z) - 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) - Geometry-Aware Instrumental Variable Regression [56.16884466478886]
本稿では,データ導出情報によるデータ多様体の幾何を考慮した移動型IV推定器を提案する。
本手法のプラグイン・アンド・プレイ実装は,標準設定で関連する推定器と同等に動作する。
論文 参考訳（メタデータ） (2024-05-19T17:49:33Z) - 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) - 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) - A Sentiment Analysis Approach to the Prediction of Market Volatility [62.997667081978825]
金融ニュースとツイートから抽出された感情とFTSE100の動きの関係を調べました。
ニュース見出しから得られた感情は、市場のリターンを予測するシグナルとして使われる可能性があるが、ボラティリティには当てはまらない。
我々は,新たな情報の到着に応じて,市場の変動を予測するための正確な分類器を開発した。
論文 参考訳（メタデータ） (2020-12-10T01:15:48Z)
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。