論文の概要: Towards Causal Market Simulators

• arxiv url: http://arxiv.org/abs/2511.04469v1
• Date: Thu, 06 Nov 2025 15:44:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-07 20:17:53.482341
• Title: Towards Causal Market Simulators
• Title（参考訳）: 因果市場シミュレーターを目指して
• Authors: Dennis Thumm, Luis Ontaneda Mijares,
• Abstract要約: 本稿では,変動型オートエンコーダと構造因果モデルを組み合わせた時系列ニューラル因果モデルVAEを提案する。 提案手法は,デコーダアーキテクチャにおける有向非巡回グラフを通じて因果制約を強制し,因果距離を用いて訓練を行う。 このモデルにより、金融ストレステスト、シナリオ分析、強化されたバックテストが可能となり、根底にある因果メカニズムを尊重する妥当な反事実的市場軌道を生成することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Market generators using deep generative models have shown promise for synthetic financial data generation, but existing approaches lack causal reasoning capabilities essential for counterfactual analysis and risk assessment. We propose a Time-series Neural Causal Model VAE (TNCM-VAE) that combines variational autoencoders with structural causal models to generate counterfactual financial time series while preserving both temporal dependencies and causal relationships. Our approach enforces causal constraints through directed acyclic graphs in the decoder architecture and employs the causal Wasserstein distance for training. We validate our method on synthetic autoregressive models inspired by the Ornstein-Uhlenbeck process, demonstrating superior performance in counterfactual probability estimation with L1 distances as low as 0.03-0.10 compared to ground truth. The model enables financial stress testing, scenario analysis, and enhanced backtesting by generating plausible counterfactual market trajectories that respect underlying causal mechanisms.
• Abstract（参考訳）: 深層生成モデルを用いたマーケットジェネレータは, 合成財務データ生成の可能性を示唆しているが, 既存のアプローチでは, 因果推論能力が欠如している。 本稿では,時間的依存と因果関係の両方を保ちながら,変動型オートエンコーダと構造的因果モデルを組み合わせた時系列ニューラル因果モデルVAE(TNCM-VAE)を提案する。 提案手法は,デコーダアーキテクチャにおける有向非巡回グラフを通じて因果制約を強制し,因果距離を用いて訓練を行う。 我々は,Ornstein-Uhlenbeck法に着想を得た合成自己回帰モデルについて検証し,L1距離を0.03-0.10以下とした反実的確率推定における優れた性能を示した。 このモデルにより、財務的ストレステスト、シナリオ分析、および基盤となる因果メカニズムを尊重する妥当な対実的市場軌道を生成することで、バックテストの強化が可能になる。

関連論文リスト

• Are Large Reasoning Models Interruptible? [77.53059044071107]
  LRM(Large Reasoning Models)は複雑な推論において優れているが、伝統的に静的な「凍った世界」設定で評価されている。 静的な設定で高い精度を達成できる最先端のLEMでさえ、割り込みやコンテキストの変化に晒された場合、予測不能に失敗する可能性があることを示す。 我々の分析ではさらに、漏れの原因、パニック、自己疑念など、いくつかの新しい障害モードを明らかにしている。
  論文  参考訳（メタデータ） (2025-10-13T17:59:35Z)
• Predicting Market Troughs: A Machine Learning Approach with Causal Interpretation [0.0]
  本稿では,マーケットトラフの因果的要因に関する,堅牢で新しい証拠を提供する。 フレキシブルなDML平均部分効果因果機械学習フレームワークにより、制約付き線形モデルを超えて動きます。
  論文  参考訳（メタデータ） (2025-09-07T04:38:40Z)
• Bayesian Models for Joint Selection of Features and Auto-Regressive Lags: Theory and Applications in Environmental and Financial Forecasting [0.9208007322096533]
  自動相関誤差を伴う線形回帰における変数選択のためのベイズ的フレームワークを開発する。 本フレームワークは,MSPEの低減,真のモデル成分同定の改善,自動相関ノイズとの整合性の向上を実現している。 既存の手法と比較して,本フレームワークはより低いMSPEを実現し,真のモデル成分の同定が向上し,自動相関ノイズとの整合性が向上する。
  論文  参考訳（メタデータ） (2025-08-12T18:44:36Z)
• Beyond Patterns: Harnessing Causal Logic for Autonomous Driving Trajectory Prediction [10.21659221112514]
  本稿では、因果推論を利用して予測堅牢性、一般化、精度を向上させる新しい軌道予測フレームワークを提案する。 本研究は、軌跡予測の因果推論の可能性を強調し、ロバストな自律運転システムへの道を開くものである。
  論文  参考訳（メタデータ） (2025-05-11T05:56:07Z)
• Bridging Internal Probability and Self-Consistency for Effective and Efficient LLM Reasoning [53.25336975467293]
  パープレキシティや自己整合性などの手法の第一理論誤差分解解析について述べる。 パープレキシティ法は、適切な整合関数が存在しないため、かなりのモデル誤差に悩まされる。 本稿では、自己整合性とパープレキシティを統合したReasoning-Pruning Perplexity Consistency(RPC)と、低確率推論経路を排除したReasoning Pruningを提案する。
  論文  参考訳（メタデータ） (2025-02-01T18:09:49Z)
• A Spatio-Temporal Machine Learning Model for Mortgage Credit Risk: Default Probabilities and Loan Portfolios [11.141688859736805]
  本稿では,木ブースティングと遅延時間プロセスモデルとガウスプロセスモデルを組み合わせることで,信用リスクの機械学習モデルを提案する。 個人ローンに対する予測的デフォルト確率と予測的ローンポートフォリオ損失分布は、従来の独立した線形ハザードモデルと比較してより正確であることがわかった。
  論文  参考訳（メタデータ） (2024-10-03T15:10:55Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
  我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。 トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
  論文  参考訳（メタデータ） (2020-10-27T17:54:12Z)

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。