論文の概要: Forecasting the U.S. Treasury Yield Curve: A Distributionally Robust Machine Learning Approach

• arxiv url: http://arxiv.org/abs/2601.04608v1
• Date: Thu, 08 Jan 2026 05:26:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:53.051694
• Title: Forecasting the U.S. Treasury Yield Curve: A Distributionally Robust Machine Learning Approach
• Title（参考訳）: 米国債利回り曲線の予測:分散ロバスト機械学習アプローチ
• Abstract要約: 配当の不確実性下における米国債利回り曲線の予測について検討する。 予測者は、平均予測誤差を最小化する代わりに、最悪のケース予測損失を最小限に抑える決定ルールを選択する。 本研究では,因子モデルと高次元非パラメトリック機械学習モデルを統合する分散ロバストなアンサンブル予測フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.12891210250935145
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We study U.S. Treasury yield curve forecasting under distributional uncertainty and recast forecasting as an operations research and managerial decision problem. Rather than minimizing average forecast error, the forecaster selects a decision rule that minimizes worst case expected loss over an ambiguity set of forecast error distributions. To this end, we propose a distributionally robust ensemble forecasting framework that integrates parametric factor models with high dimensional nonparametric machine learning models through adaptive forecast combinations. The framework consists of three machine learning components. First, a rolling window Factor Augmented Dynamic Nelson Siegel model captures level, slope, and curvature dynamics using principal components extracted from economic indicators. Second, Random Forest models capture nonlinear interactions among macro financial drivers and lagged Treasury yields. Third, distributionally robust forecast combination schemes aggregate heterogeneous forecasts under moment uncertainty, penalizing downside tail risk via expected shortfall and stabilizing second moment estimation through ridge regularized covariance matrices. The severity of the worst case criterion is adjustable, allowing the forecaster to regulate the trade off between robustness and statistical efficiency. Using monthly data, we evaluate out of sample forecasts across maturities and horizons from one to twelve months ahead. Adaptive combinations deliver superior performance at short horizons, while Random Forest forecasts dominate at longer horizons. Extensions to global sovereign bond yields confirm the stability and generalizability of the proposed framework.
• Abstract（参考訳）: 我々は,米国財務収率曲線の分布不確実性の下での予測と,運用調査および管理決定問題としてのリキャスト予測について検討する。 予測者は、平均予測誤差を最小化する代わりに、予測誤差分布のあいまいなセットよりも最悪のケース予測損失を最小限に抑える決定ルールを選択する。 そこで本研究では,適応予測の組み合わせにより,パラメータ係数モデルと高次元非パラメトリック機械学習モデルを統合する分散ロバストなアンサンブル予測フレームワークを提案する。 フレームワークは3つの機械学習コンポーネントで構成されている。 第一に, 経済指標から抽出した主成分を用いて, 水平, 傾斜, 曲率の動的特性を加味したロールウインドウFacter Augmented Dynamic Nelson Siegelモデルである。 第二に、ランダムフォレストモデルはマクロ金融ドライバーとラッジされた財務利回りの間の非線形相互作用を捉えている。 第3に、分布的に堅牢な予測組み合わせスキームは、モーメントの不確実性の下で不均一な予測を集約し、予測不足によるダウンサイドテールリスクを罰し、リッジ正規化共分散行列による第2モーメント推定を安定化する。 最悪のケース基準の深刻度は調整可能であり、予測者はロバスト性と統計効率のトレードオフを規制することができる。 月間データを用いて、成熟度と地平線のサンプル予測を1～12カ月前に評価した。 適応的な組み合わせは短い地平線で優れたパフォーマンスをもたらすが、ランダムフォレスト予測は長い地平線で優位である。 世界的国債利回りの拡大は、提案された枠組みの安定性と一般化性を確認する。

関連論文リスト

• Repurposing Deep Limit Order Book Forecasting for Scenario-Conditioned Market Impact Modeling [49.590388401787834]
  本稿では,機械的に有効な反事実メッセージの注入前後の予測者の予測分布を比較するモデルに依存しないフレームワークを提案する。 トランスフォーマーをベースとした予測器は、スピアマンの相関関係を0.99と97.2%と、実現した歴史的成果との方向性の一致で、シナリオランキングを回復した。
  論文  参考訳（メタデータ） (2026-09-15T10:06:03Z)
• Adaptive Multi-Scale Forecasting and Gate-Localized Conformal Prediction for Multivariate Nonstationary Time Series [7.704601239153111]
  ABF-T-GLCPは非定常時系列の予測と不確実性定量化のためのモデルに依存しないフレームワークである。 予測モジュールは、学習ゲートを通じて地平線固有の時間的専門家を結合し、スパース予測転送を使用して予測を洗練する。 不確実性モジュールであるGate-Localized Conformal Predictionは、学習されたゲート状態と時間的回帰を利用して、局所的に関連するキャリブレーション残差を選択する。
  論文  参考訳（メタデータ） (2026-07-25T11:46:38Z)
• Stabilizing distribution-free probabilistic forecasts [5.716454975957337]
  我々は、予測品質とともに予測安定性を、分布のない確率的時系列予測モデルのトレーニングに統合する。 本稿では,ニューラルネットワークによってパラメータ化された回帰スプラインを用いて,安定化された条件付き量子関数を生成する手法を提案する。 統計的特性が異なる2つのデータセットに対して提案手法を実験的に評価し,予測品質を著しく損なうことなく,予測不安定性を効果的に低減できることを示す。
  論文  参考訳（メタデータ） (2026-05-27T14:25:05Z)
• Quantifying the Risk-Return Tradeoff in Forecasting [0.0]
  平均予測精度は予測信頼性と同じではない。 私は、ベンチマークに対する予測損失差をリターンシリーズとして扱います。 次に、シャープ比、ソルティーノ比、オメガ比、ドローダウンベースの指標など、金融のリスク調整されたパフォーマンス指標を用いて、これらのリターンを評価する。
  論文  参考訳（メタデータ） (2026-05-10T19:21:12Z)
• Forecast collapse of transformer-based models under squared loss in financial time series [0.0]
  弱条件構造を持つ時系列の2乗損失下での軌跡予測について検討した。 我々は、将来の軌道の条件付き期待が効果的に縮退する体制を強調した。 モデル表現率の向上は予測精度を向上させるものではなく、代わりに最適な予測器の周囲に突発的な軌道変動をもたらす。
  論文  参考訳（メタデータ） (2026-03-31T09:06:52Z)
• Forests of Uncertaint(r)ees: Using tree-based ensembles to estimate probability distributions of future conflict [0.0]
  我々は、従来の点予測から完全な予測分布へ移行し、紛争予測の不確実性を定量化する戦略を開発する。 モデルは、最大1年前の予測において、コンフリクト履歴から派生したベンチマークスイートを一貫して上回ることができる。 我々は,計量が与えられた予測問題に対してどのように振る舞うかを理解する必要があることを強調する。
  論文  参考訳（メタデータ） (2025-12-05T23:10:16Z)
• Isotonic Quantile Regression Averaging for uncertainty quantification of electricity price forecasts [0.0]
  アイソトニック量子回帰平均化(iQRA)と呼ばれる点予測のアンサンブルから確率予測を生成する新しい手法を提案する。 iQRAは信頼性とシャープさの両方の観点から,最先端のポストプロセッシング手法よりも一貫して優れていることを示す。 精度の高い予測間隔を複数の信頼レベルにわたって生成し、全てのベンチマーク手法に優れた信頼性を提供する。
  論文  参考訳（メタデータ） (2025-07-20T18:28:39Z)
• The Uncertainty of Machine Learning Predictions in Asset Pricing [2.0249250133493195]
  予測されたリターンのニューラルネットワーク予測は、古典的ノンパラメトリック手法と同じ分布を持つことを示す。 これらの予測信頼区間を不確実な逆投資枠組みに組み込む。
  論文  参考訳（メタデータ） (2025-03-01T16:32:00Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• 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)
• Causality-oriented robustness: exploiting general noise interventions [4.64479351797195]
  本稿では因果性指向のロバスト性に着目し,不変勾配(DRIG)を用いた分布ロバスト性を提案する。 DRIGはトレーニングデータにおける一般的なノイズ介入を利用して、目に見えない介入に対する堅牢な予測を行う。 我々のフレームワークには特別なケースとしてアンカー回帰が含まれており、より多様な摂動から保護される予測モデルが得られることを示す。
  論文  参考訳（メタデータ） (2023-07-18T16:22:50Z)
• Toward Reliable Human Pose Forecasting with Uncertainty [51.628234388046195]
  我々は、複数のモデルを含む人間のポーズ予測のためのオープンソースのライブラリを開発し、複数のデータセットをサポートする。 我々は、パフォーマンスを高め、より良い信頼をもたらすために、問題の2つの不確実性を考案する。
  論文  参考訳（メタデータ） (2023-04-13T17:56:08Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Robust Nonparametric Distribution Forecast with Backtest-based Bootstrap and Adaptive Residual Selection [14.398720944586803]
  分布予測は予測の不確実性を定量化し、対応する推定確率で様々な予測シナリオを提供する。 本稿では,バックテストベースのブートストラップと適応的残差選択に依存する,実用的で堅牢な分布予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-16T09:53:48Z)
• CovarianceNet: Conditional Generative Model for Correct Covariance Prediction in Human Motion Prediction [71.31516599226606]
  本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。 我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
  論文  参考訳（メタデータ） (2021-09-07T09:38:24Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。