論文の概要: Conditional Adversarial Fragility in Financial Machine Learning under Macroeconomic Stress

• arxiv url: http://arxiv.org/abs/2512.19935v1
• Date: Mon, 22 Dec 2025 23:44:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.689523
• Title: Conditional Adversarial Fragility in Financial Machine Learning under Macroeconomic Stress
• Title（参考訳）: マクロ経済学的ストレス下での金融機械学習における条件反転脆弱性
• Authors: Samruddhi Baviskar,
• Abstract要約: 逆境の脆弱性は、逆境の脆弱性がマクロ経済的なストレスの期間に体系的に増幅される規則に依存する現象である。 我々は、金融機械学習における敵意の堅牢性は、体制に依存した資産であり、リスク評価を高リスクでモデル化するためのストレス対応アプローチを動機付けていることを示す。
• 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: Machine learning models used in financial decision systems operate in nonstationary economic environments, yet adversarial robustness is typically evaluated under static assumptions. This work introduces Conditional Adversarial Fragility, a regime dependent phenomenon in which adversarial vulnerability is systematically amplified during periods of macroeconomic stress. We propose a regime aware evaluation framework for time indexed tabular financial classification tasks that conditions robustness assessment on external indicators of economic stress. Using volatility based regime segmentation as a proxy for macroeconomic conditions, we evaluate model behavior across calm and stress periods while holding model architecture, attack methodology, and evaluation protocols constant. Baseline predictive performance remains comparable across regimes, indicating that economic stress alone does not induce inherent performance degradation. Under adversarial perturbations, however, models operating during stress regimes exhibit substantially greater degradation across predictive accuracy, operational decision thresholds, and risk sensitive outcomes. We further demonstrate that this amplification propagates to increased false negative rates, elevating the risk of missed high risk cases during adverse conditions. To complement numerical robustness metrics, we introduce an interpretive governance layer based on semantic auditing of model explanations using large language models. Together, these results demonstrate that adversarial robustness in financial machine learning is a regime dependent property and motivate stress aware approaches to model risk assessment in high stakes financial deployments.
• Abstract（参考訳）: 金融決定システムで使用される機械学習モデルは、非定常的な経済環境で機能するが、敵の堅牢性は通常、静的な仮定の下で評価される。 この研究は、マクロ経済的なストレスの期間に、逆境の脆弱性を体系的に増幅する体制依存現象である条件付き逆境脆弱性を導入する。 本稿では、経済ストレスの外部指標にロバスト性評価を条件とした時間指数表財務分類タスクに対するレジーム対応評価フレームワークを提案する。 マクロ経済条件のプロキシとしてボラティリティに基づくレシエーションセグメンテーションを用いて、モデルアーキテクチャ、アタック手法、評価プロトコルを一定に保ちながら、穏やかかつストレスな期間にわたってモデル挙動を評価する。 ベースライン予測性能はレジーム全体で同等であり、経済的なストレスだけでは固有のパフォーマンス劣化を誘発しないことを示している。 しかし, 対向的摂動下では, ストレス状態下でのモデルでは, 予測精度, 運用上の決定しきい値, リスクに敏感な結果に対して, 大幅な劣化がみられた。 さらに,この増幅は偽陰性率の上昇に寄与し,悪条件下での高リスクケースの欠落リスクが増大することを示した。 数値ロバスト性指標を補完するため,大規模言語モデルを用いたモデル説明のセマンティック監査に基づく解釈的ガバナンス層を導入する。 これらの結果は、金融機械学習における敵対的ロバスト性は、状況に依存した資産であり、リスク評価を高リスクでモデル化するためのストレス対応アプローチを動機付けていることを示している。

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)
• Uncertainty Quantification for Regression using Proper Scoring Rules [76.24649098854219]
  CRPS,対数,2乗誤差,2次スコアなど,適切なスコアリングルールに基づく回帰のための統一的UQフレームワークを提案する。 実測パラメトリックな仮定に基づく不確実性尺度に対する閉形式式を導出し、モデルのアンサンブルを用いてそれらを推定する方法を示す。 合成および実世界の回帰データセットに対する広範な評価は、信頼性の高いUQ尺度を選択するためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2025-09-30T17:52:12Z)
• Methodological Insights into Structural Causal Modelling and Uncertainty-Aware Forecasting for Economic Indicators [4.9930207509018425]
  我々は、GDP、経済成長、インフレ、失業の4つの主要なマクロ経済指標に焦点を当てている。 以上の結果から、経済成長とGDPとの強い一方向因果関係が明らかとなった。 我々は、失業に関するゼロショット予測を行うために、時系列のために訓練された大きな言語モデルを使用する。
  論文  参考訳（メタデータ） (2025-09-08T04:52:12Z)
• FinHEAR: Human Expertise and Adaptive Risk-Aware Temporal Reasoning for Financial Decision-Making [58.04602111184477]
  FinHEARは、人間の専門知識と適応的リスク認識推論のためのフレームワークである。 専門のエージェントを編成し、過去の傾向を分析し、現在の出来事を解釈し、専門家にインフォームドされた前例を検索する。 金融データセットの実証的な結果から、FinHEARはトレンド予測やトレーディングタスクにおいて、一貫して強いベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-06-10T04:06:51Z)
• Modeling Regime Structure and Informational Drivers of Stock Market Volatility via the Financial Chaos Index [0.0]
  本稿では、金融カオス指標による株式市場のボラティリティの構造動態について考察する。 我々は、低カオス、中間カオス、高カオスの3つの異なる市場体制を特定し、それぞれ異なるレベルのシステム的ストレスを特徴とする。 マクロ経済、金融、政策、地政学の不確実性の変化は、政権全体でのボラティリティのダイナミクスに強い予測力を示します。
  論文  参考訳（メタデータ） (2025-04-26T15:48:11Z)
• Hamiltonian Neural Networks for Robust Out-of-Time Credit Scoring [0.5439020425819]
  本稿では,クラス不均衡と時間外予測問題に対処するためにニューラルネットワークを用いた新しいクレジットスコアリング手法を提案する。 我々はハミルトン力学にインスパイアされた特定の損失関数を開発し、信用リスクのダイナミクスをよりよく捉えた。
  論文  参考訳（メタデータ） (2024-10-14T06:08:26Z)
• Forecasting and stabilizing chaotic regimes in two macroeconomic models via artificial intelligence technologies and control methods [0.3670422696827526]
  経済における重要な課題の1つは、将来の経済変数の値に対する経済エージェントの期待を予測することである。 数学的モデルの振る舞いはカオスを含む不規則であり、予測力を低下させる。 2つの経済モデルの振舞いの状況を調査し、不規則な力学を同定する。
  論文  参考訳（メタデータ） (2023-02-20T11:55:15Z)
• When Demonstrations Meet Generative World Models: A Maximum Likelihood Framework for Offline Inverse Reinforcement Learning [62.00672284480755]
  本稿では, 専門家エージェントから, 一定の有限個の実演において観測された動作を過小評価する報酬と環境力学の構造を復元することを目的とする。 タスクを実行するための正確な専門知識モデルは、臨床的意思決定や自律運転のような安全に敏感な応用に応用できる。
  論文  参考訳（メタデータ） (2023-02-15T04:14:20Z)
• 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)

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。