論文の概要: Arbitrage-Free Bond and Yield Curve Forecasting with Neural Filters under HJM Constraints

• arxiv url: http://arxiv.org/abs/2511.17892v1
• Date: Sat, 22 Nov 2025 02:47:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.500457
• Title: Arbitrage-Free Bond and Yield Curve Forecasting with Neural Filters under HJM Constraints
• Title（参考訳）: HJM制約下でのニューラルネットワークによる任意結合と収率曲線予測
• Authors: Xiang Gao, Cody Hyndman,
• Abstract要約: 本研究では,Heath-Jarrow-Morton(HJM)項構造モデルに基づいて,利回り曲線と債券価格予測のための任意自由ディープラーニングフレームワークを開発する。 我々のアプローチは、カルマン、拡張カルマン、粒子フィルタと繰り返しニューラルネットワーク(LSTM/TM)を組み合わせることにより、非アービタードリフト制限をニューラルネットワークに組み込む。
• 参考スコア（独自算出の注目度）: 4.311211660681507
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We develop an arbitrage-free deep learning framework for yield curve and bond price forecasting based on the Heath-Jarrow-Morton (HJM) term-structure model and a dynamic Nelson-Siegel parameterization of forward rates. Our approach embeds a no-arbitrage drift restriction into a neural state-space architecture by combining Kalman, extended Kalman, and particle filters with recurrent neural networks (LSTM/CLSTM), and introduces an explicit arbitrage error regularization (AER) term during training. The model is applied to U.S. Treasury and corporate bond data, and its performance is evaluated for both yield-space and price-space predictions at 1-day and 5-day horizons. Empirically, arbitrage regularization leads to its strongest improvements at short maturities, particularly in 5-day-ahead forecasts, increasing market-consistency as measured by bid-ask hit rates and reducing dollar-denominated prediction errors.
• Abstract（参考訳）: 本研究では,HJM(Heath-Jarrow-Morton)項構造モデルと前方レートの動的ネルソン-シーゲルパラメタライゼーションに基づく,利回り曲線と債券価格予測のための任意学習フレームワークを開発する。 我々のアプローチは、カルマン、拡張カルマン、粒子フィルタと繰り返しニューラルネットワーク(LSTM/CLSTM)を組み合わせることにより、非アービタードリフト制限をニューラルステートスペースアーキテクチャに組み込み、トレーニング中に明示的な調停誤差正規化(AER)項を導入する。 このモデルは米国財務省と企業債のデータに適用され、1日と5日の地平線での利回り空間と価格空間の両方で評価される。 実験的に、仲裁正則化は、特に5日間の先行き予測において、短い成熟度で最大の改善をもたらし、入札額のヒット率によって測定された市場整合性を高め、ドル建ての予測エラーを減少させる。

関連論文リスト

• Robust Yield Curve Estimation for Mortgage Bonds Using Neural Networks [0.6437467451172677]
  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。
  論文  参考訳（メタデータ） (2025-10-24T11:24:41Z)
• Neural ARFIMA model for forecasting BRIC exchange rates with long memory under oil shocks and policy uncertainties [0.0]
  為替レートのダイナミクスの主な要因は、世界経済政策の不確実性、米国株市場のボラティリティ、米国の金融政策の不確実性、原油価格の上昇率、国固有の短期金利差などである。 本稿では,ARFIMAの長期記憶表現とニューラルネットワークの非線形学習能力を組み合わせたニューラル自己回帰分節統合型移動平均モデルを提案する。 NARFIMAはBRIC交換率の予測において,最先端の統計モデルや機械学習モデルよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-08T13:49:48Z)
• PREIG: Physics-informed and Reinforcement-driven Interpretable GRU for Commodity Demand Forecasting [27.542312745632458]
  PreIGは、商品需要予測に適した新しいディープラーニングフレームワークである。 このモデルは、Gated Recurrent Unit(GRU)アーキテクチャを物理インフォームドニューラルネットワーク(PINN)の原則と一意に統合する。
  論文  参考訳（メタデータ） (2025-07-29T11:38:07Z)
• Inside the black box: Neural network-based real-time prediction of US recessions [0.0]
  長期記憶(LSTM)とゲートリカレントユニット(GRU)は、1967年から2021年までのアメリカの不況をモデル化するために使用される。 シェープ法は、S&P500指数のような重要なリセッション指標を3カ月間予測する。
  論文  参考訳（メタデータ） (2023-10-26T16:58:16Z)
• Combining Deep Learning and GARCH Models for Financial Volatility and Risk Forecasting [0.0]
  我々は,一般的な計量的GARCH時系列モデルとディープラーニングニューラルネットワークを組み合わせることで,金融商品のボラティリティとリスクを予測するハイブリッドアプローチを開発した。 一方,GARCHは標準GARCH,EGARCH,GJR-GARCH,APARCHの4つの仕様が採用されている。 モデルは、S&P500指数の日替わりの対数リターンと、金価格のBitcoin価格でテストされる。
  論文  参考訳（メタデータ） (2023-10-02T10:18:13Z)
• 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)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)
• Low-Rank Temporal Attention-Augmented Bilinear Network for financial time-series forecasting [93.73198973454944]
  ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。 近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。 本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
  論文  参考訳（メタデータ） (2021-07-05T10:15:23Z)
• Stock2Vec: A Hybrid Deep Learning Framework for Stock Market Prediction with Representation Learning and Temporal Convolutional Network [71.25144476293507]
  我々は、株式市場の日々の価格を予測するためのグローバルなハイブリッドディープラーニングフレームワークを開発することを提案した。 表現学習によって、私たちはStock2Vecという埋め込みを導きました。 我々のハイブリッドフレームワークは、両方の利点を統合し、いくつかの人気のあるベンチマークモデルよりも、株価予測タスクにおいてより良いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-09-29T22:54:30Z)
• Deep Stock Predictions [58.720142291102135]
  本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。 次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。 カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
  論文  参考訳（メタデータ） (2020-06-08T23:37:47Z)

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。