論文の概要: The Limits of Conditional Volatility: Assessing Cryptocurrency VaR under EWMA and IGARCH Models

• arxiv url: http://arxiv.org/abs/2601.13757v1
• Date: Tue, 20 Jan 2026 09:11:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.242577
• Title: The Limits of Conditional Volatility: Assessing Cryptocurrency VaR under EWMA and IGARCH Models
• Title（参考訳）: 条件ボラティリティの限界:EWMAおよびIGARCHモデルによる暗号VaRの評価
• Authors: Ekleen Kaur,
• Abstract要約: 暗号通貨のリスク管理に標準の静的幾何学的ブラウン運動(GBM)モデルを適用すると、システム障害が生じた。 本研究では,EWMA/IGARCHベースラインの3つの条件ボラティリティモデル,明示的な平均回帰(IGARCH + MR)を付加したIGARCHモデル,および相関モンテカルロVRフレームワーク内のEGARCHスタイルの非対称ショックモデルを用いた修正EGARCHスタイルモデルについて比較検討した。 以上の結果から,非対称モデル(モデル3)では過度な過度化が生じる一方,固定性が著しく低下するリスク(5%のバリュー・アット・リスクが50%減少する)が著しく過小評価されることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The application of the standard static Geometric Brownian Motion (GBM) model for cryptocurrency risk management resulted in a systemic failure, evidenced by a 80.67% chance of loss in the 5% value-at-risk benchmark. This study addresses a critical literature gap by comparatively testing three conditional volatility models the EWMA/IGARCH baseline, an IGARCH model augmented with explicit mean reversion (IGARCH + MR), and a modified EGARCH-style asymmetric shock model within a correlated Monte Carlo VaR framework. Crucially, the analysis is applied specifically to high-beta altcoins (XRP, SOL, ADA), an asset class largely neglected by mainstream GARCH literature. Our results demonstrate that imposing stationarity (IGARCH + MR) drastically underestimates downside risk (5 percent value-at-risk reduced by 50%), while the asymmetric model (Model 3) leads to severe over-penalization. The EWMA/IGARCH baseline, characterized by infinite volatility persistence (alpha + beta = 1), provided the only robust conditional volatility estimate. This finding constitutes a formal rejection of the conventional financial hypotheses of volatility mean reversion and the asymmetric leverage effect in the altcoin asset class, establishing that non-stationary frameworks are a prerequisite for regulatory-grade risk modeling in this domain.
• Abstract（参考訳）: 標準的な静的幾何学的ブラウン運動(GBM)モデルが暗号通貨のリスク管理に応用されたことにより、5%のリスクリスクベンチマークで80.67%の損失が証明された。 本研究では,EWMA/IGARCHベースラインの3つの条件ボラティリティモデル,明示的な平均回帰(IGARCH + MR)を付加したIGARCHモデル,および相関モンテカルロVRフレームワーク内のEGARCHスタイルの非対称ショックモデルを用いた修正EGARCHスタイルモデルについて比較検討した。 重要なことに、この分析は、主流のGARCH文献に無視されるアセットクラスである高ベータアルトコイン(XRP, SOL, ADA)に特に適用される。 以上の結果から,非対称モデル (モデル3) では重度の過大化が生じるが, IGARCH + MR) は下降リスク(5%のバリュー・アット・リスクが50%減少する)を著しく過小評価することが示された。 EWMA/IGARCHベースラインは、無限のボラティリティ持続性(アルファ+ベータ = 1)によって特徴づけられ、唯一の堅牢な条件付きボラティリティ推定を与えた。 この発見は、ボラティリティ平均回帰の従来の金融仮説とアルトコイン資産クラスにおける非対称レバレッジ効果を正式に否定し、非定常フレームワークがこの領域における規制グレードのリスクモデリングの前提条件であることを確認した。

関連論文リスト

• Mitigating Reward Hacking in RLHF via Bayesian Non-negative Reward Modeling [49.41422138354821]
  非負の因子分析をBradley-Terry選好モデルに統合する原理的報酬モデリングフレームワークを提案する。 BNRMは、スパースで非負の潜在因子生成過程を通じて報酬を表す。 BNRMは報酬の過度な最適化を著しく軽減し、分布シフトによるロバスト性を改善し、強いベースラインよりも解釈可能な報酬分解をもたらすことを示す。
  論文  参考訳（メタデータ） (2026-02-11T08:14:11Z)
• The Limits of Lognormal: Assessing Cryptocurrency Volatility and VaR using Geometric Brownian Motion [0.0]
  この研究は、暗号通貨の微調整モデルリスク分析のための一連の研究の一部である。 従来の業界標準の幾何学的ブラウン運動(GBM)モデルを適用し,基礎的なベンチマークを確立する。 計算されたバリュー・アット・リスクは、1年間の地平線上の5%の信頼レベルにあります。
  論文  参考訳（メタデータ） (2026-01-09T05:14:16Z)
• 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)
• CoRA: Covariate-Aware Adaptation of Time Series Foundation Models [47.20786327020571]
  Time Series Foundation Models (TSFM) は、そのモデル容量、スケーラビリティ、ゼロショットの一般化を通じて、大きな影響を与えている。 TSFMのための一般共変量認識適応(CoRA)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-14T16:20:00Z)
• Conformal Risk Training: End-to-End Optimization of Conformal Risk Control [41.45834526675908]
  我々は,モデルトレーニングや微調整において,コンフォーマルなOCEリスク制御を通じて区別する,エンドツーエンドのアプローチである「コンフォーマルリスクトレーニング」を導入する。 提案手法は,実証可能なリスク保証を実現するとともに,ポストホック手法よりも平均ケース性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2025-10-09T19:05:45Z)
• Reinforcement Learning from Probabilistic Forecasts for Safe Decision-Making via Conditional Value-at-Risk Planning [41.52380204321823]
  本稿では,ベイズ予測,後方サンプリング強化学習,計画とを結合した統一的枠組みである不確実性認識マルコフ決定プロセス(UAMDP)を提案する。 構造的不確実性と経済のボラティリティを特徴とする2つのドメインの高頻度株式取引と小売在庫管理において,UAMDPを評価した。
  論文  参考訳（メタデータ） (2025-10-09T13:46:32Z)
• MARS: A Meta-Adaptive Reinforcement Learning Framework for Risk-Aware Multi-Agent Portfolio Management [7.740995234462868]
  強化 学習は、自動ポートフォリオ管理において大きな可能性を秘めている。 リスク認識システム(MARS)のためのメタ制御エージェントを提案する。 MARSは異種エージェントアンサンブルを使用しており、各エージェントは固有の固有のリスクプロファイルを持っている。
  論文  参考訳（メタデータ） (2025-08-02T03:23:41Z)
• One Token to Fool LLM-as-a-Judge [52.45386385722788]
  大規模言語モデル(LLM)は、自動化された審査員としてますます信頼され、評価を支援し、他のモデルを訓練するための報酬信号を提供する。 生成的報酬モデルは、ハッキングに対して体系的に影響を受けやすい。
  論文  参考訳（メタデータ） (2025-07-11T17:55:22Z)
• Predicting Stock Market Crash with Bayesian Generalised Pareto Regression [0.0]
  極端に負のリターンはまれではあるが、経済的に大きな混乱を引き起こす。 本稿では,インド株式市場の極端な損失を予測するため,ベイジアン一般化パレート回帰モデルを開発する。
  論文  参考訳（メタデータ） (2025-06-21T02:36:05Z)
• Enhancing Black-Litterman Portfolio via Hybrid Forecasting Model Combining Multivariate Decomposition and Noise Reduction [13.04801847533423]
  本稿では,ビュー生成プロセスの自動化と改善を目的としたハイブリッド予測モデルSSA-MAEMD-TCNを提案する。 ナスダック100指数の実証試験では、ベースラインモデルと比較して予測性能が大幅に改善した。 最適化されたポートフォリオは、年次リターンとシャープ比率が従来のポートフォリオよりもはるかに高いため、うまく機能する。
  論文  参考訳（メタデータ） (2025-05-03T10:52:57Z)
• 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)
• Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
  Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。 批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。 AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)
• 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)
• HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and Regime-Switch VAE [113.47287249524008]
  オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。 本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。 4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-06-05T12:58:13Z)
• Providing reliability in Recommender Systems through Bernoulli Matrix Factorization [63.732639864601914]
  本稿では,予測値と信頼性値の両方を提供するためにBernoulli Matrix Factorization (BeMF)を提案する。 BeMFはメモリベースのフィルタリングではなく、モデルベースの協調フィルタリングに作用する。 予測の信頼性が高ければ高いほど、それが間違っているという責任は少なくなる。
  論文  参考訳（メタデータ） (2020-06-05T14:24:27Z)

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。