論文の概要: Robust Yield Curve Estimation for Mortgage Bonds Using Neural Networks

• arxiv url: http://arxiv.org/abs/2510.21347v1
• Date: Fri, 24 Oct 2025 11:24:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 09:00:15.449001
• Title: Robust Yield Curve Estimation for Mortgage Bonds Using Neural Networks
• Title（参考訳）: ニューラルネットワークを用いたモルジグボンドのロバスト収率曲線推定
• Authors: Sina Molavipour, Alireza M. Javid, Cassie Ye, Björn Löfdahl, Mikhail Nechaev,
• Abstract要約: 小型住宅ローン債券市場に適した強靭な利得曲線推定のためのニューラルネットワークに基づくフレームワークを提案する。 本モデルでは, 収率曲線を1日ごとに独立に推定し, 滑らかさと安定性を向上する新たな損失関数を導入する。 スウェーデンの住宅ローン債に関する実証的な結果は、我々のアプローチがより堅牢で安定した利回り曲線の推定をもたらすことを示している。
• 参考スコア（独自算出の注目度）: 0.6437467451172677
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust yield curve estimation is crucial in fixed-income markets for accurate instrument pricing, effective risk management, and informed trading strategies. Traditional approaches, including the bootstrapping method and parametric Nelson-Siegel models, often struggle with overfitting or instability issues, especially when underlying bonds are sparse, bond prices are volatile, or contain hard-to-remove noise. In this paper, we propose a neural networkbased framework for robust yield curve estimation tailored to small mortgage bond markets. Our model estimates the yield curve independently for each day and introduces a new loss function to enforce smoothness and stability, addressing challenges associated with limited and noisy data. Empirical results on Swedish mortgage bonds demonstrate that our approach delivers more robust and stable yield curve estimates compared to existing methods such as Nelson-Siegel-Svensson (NSS) and Kernel-Ridge (KR). Furthermore, the framework allows for the integration of domain-specific constraints, such as alignment with risk-free benchmarks, enabling practitioners to balance the trade-off between smoothness and accuracy according to their needs.
• Abstract（参考訳）: 物価の正確な価格設定、効果的なリスク管理、情報取引戦略において、ロバスト利回り曲線の推定は固定所得市場において不可欠である。 ブートストラッピング法やパラメトリックのネルソン・シーゲルモデルを含む伝統的なアプローチは、しばしば過度に適合したり不安定な問題に悩まされる。 本稿では,小規模住宅ローン債券市場に適した強靭な利得曲線推定のためのニューラルネットワークに基づくフレームワークを提案する。 モデルでは, 収率曲線を1日ごとに独立に推定し, 滑らかさと安定性を強制する新たな損失関数を導入し, 限られたノイズを伴う問題に対処する。 スウェーデンの住宅ローン債に関する実証実験の結果,Nelson-Siegel-Svensson (NSS) やKernel-Ridge (KR) などの既存手法と比較して,我々の手法はより堅牢で安定した収率曲線の推定値を提供することが示された。 さらに、このフレームワークはリスクのないベンチマークとの整合性のようなドメイン固有の制約の統合を可能にし、実践者は必要に応じて滑らかさと正確性の間のトレードオフをバランスさせることができる。

関連論文リスト

• Robust Reinforcement Learning in Finance: Modeling Market Impact with Elliptic Uncertainty Sets [57.179679246370114]
  金融分野では、強化学習(RL)エージェントは、価格に影響を与えない歴史的データに基づいて訓練されることが多い。 展開中、これらのエージェントは、自身の取引が資産価格を変えることができるライブマーケットで取引する。 従来のロバストなRLアプローチは、不確実性の集合に対して最悪のパフォーマンスを最適化することで、このモデルの誤特定に対処する。 楕円型不確実性集合の新たなクラスを開発し,効率的かつ堅牢な政策評価を可能にする。
  論文  参考訳（メタデータ） (2025-10-22T18:22:25Z)
• Confidence-Based Response Abstinence: Improving LLM Trustworthiness via Activation-Based Uncertainty Estimation [7.3923284353934875]
  本稿では,大規模言語モデル(LLM)出力の正しさと密接に一致したRAGシステムにおける信頼度推定手法を提案する。 提案手法は、生のフィードフォワードネットワーク(FFN)を自己回帰信号として活用することにより、事前の不確実性定量化手法を拡張した。 我々の結果は、アクティベーションに基づく信頼度モデリングが、信頼性の高いRAGデプロイメントへのスケーラブルでアーキテクチャを意識したパスを提供することを示した。
  論文  参考訳（メタデータ） (2025-10-15T16:55:56Z)
• Asymptotically Optimal Linear Best Feasible Arm Identification with Fixed Budget [55.938644481736446]
  本稿では,誤差確率の指数的減衰を保証し,最適な腕識別のための新しいアルゴリズムを提案する。 我々は,複雑性のレベルが異なる様々な問題インスタンスに対する包括的経験的評価を通じて,アルゴリズムの有効性を検証する。
  論文  参考訳（メタデータ） (2025-06-03T02:56:26Z)
• Bridging Econometrics and AI: VaR Estimation via Reinforcement Learning and GARCH Models [0.0]
  本稿では,GARCHのボラティリティモデルと深い強化学習を組み合わせた,VaR(Value-at-Risk)推定のためのハイブリッドフレームワークを提案する。 本手法では,Double Deep Q-Network (DDQN) モデルを用いて市場予測を行い,タスクを不均衡な分類問題として扱う。 危機と高いボラティリティの期間をカバーする毎日のEurostoxx 50データに関する実証的な検証は、VaR推定の精度を大幅に改善したことを示している。
  論文  参考訳（メタデータ） (2025-04-23T11:54:22Z)
• Dynamic Pricing in the Linear Valuation Model using Shape Constraints [21.319339643047826]
  線形評価モデルにおける検閲データに対する動的価格設定に対する形状制約付きアプローチを提案する。 本手法は, 文献における既往の方法と比較して, 経験的後悔の度合いを低くする。
  論文  参考訳（メタデータ） (2025-02-09T04:58:33Z)
• Noise-Adaptive Conformal Classification with Marginal Coverage [53.74125453366155]
  本稿では,ランダムラベルノイズによる交換性からの偏差を効率的に処理できる適応型共形推論手法を提案する。 本手法は,合成および実データに対して,その有効性を示す広範囲な数値実験により検証する。
  論文  参考訳（メタデータ） (2025-01-29T23:55:23Z)
• Lyapunov-stable Neural Control for State and Output Feedback: A Novel Formulation [67.63756749551924]
  学習ベースのニューラルネットワーク(NN)制御ポリシは、ロボット工学と制御の幅広いタスクにおいて、印象的な経験的パフォーマンスを示している。 非線形力学系を持つNNコントローラのトラクション領域(ROA)に対するリアプノフ安定性の保証は困難である。 我々は、高速な経験的ファルシフィケーションと戦略的正則化を用いて、Lyapunov証明書とともにNNコントローラを学習するための新しいフレームワークを実証する。
  論文  参考訳（メタデータ） (2024-04-11T17:49:15Z)
• Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
  ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。 本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
  論文  参考訳（メタデータ） (2021-05-17T08:36:18Z)
• GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
  重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。 我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。 結果として得られるアルゴリズム、GenDICEは単純で効果的である。
  論文  参考訳（メタデータ） (2020-02-21T00:27:52Z)

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。