論文の概要: Reliable Real-Time Value at Risk Estimation via Quantile Regression Forest with Conformal Calibration
- arxiv url: http://arxiv.org/abs/2602.01912v1
- Date: Mon, 02 Feb 2026 10:18:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-03 19:28:34.069838
- Title: Reliable Real-Time Value at Risk Estimation via Quantile Regression Forest with Conformal Calibration
- Title（参考訳）: コンフォーマルな校正を施した量子回帰林によるリスク推定における信頼性の高いリアルタイム価値
- Authors: Du-Yi Wang, Guo Liang, Kun Zhang, Qianwen Zhu,
- Abstract要約: 本稿では,最も広く利用されているリスク対策の一つ,バリュー・アット・リスク(VaR)のオンライン評価について検討する。
本稿では,オフラインシミュレーション・オンライン推定フレームワークにおいて,量子回帰フォレスト(quantile regression forest)を提案する。
我々は、OSOAの定式化に基づいて、コンフォメーションキャリブレーションを利用して、リアルタイムVaRを確実に推定する。
- 参考スコア（独自算出の注目度）: 5.385849662603893
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Rapidly evolving market conditions call for real-time risk monitoring, but its online estimation remains challenging. In this paper, we study the online estimation of one of the most widely used risk measures, Value at Risk (VaR). Its accurate and reliable estimation is essential for timely risk control and informed decision-making. We propose to use the quantile regression forest in the offline-simulation-online-estimation (OSOA) framework. Specifically, the quantile regression forest is trained offline to learn the relationship between the online VaR and risk factors, and real-time VaR estimates are then produced online by incorporating observed risk factors. To further ensure reliability, we develop a conformalized estimator that calibrates the online VaR estimates. To the best of our knowledge, we are the first to leverage conformal calibration to estimate real-time VaR reliably based on the OSOA formulation. Theoretical analysis establishes the consistency and coverage validity of the proposed estimators. Numerical experiments confirm the proposed method and demonstrate its effectiveness in practice.
- Abstract（参考訳）: 急速に進化する市場環境は、リアルタイムのリスクモニタリングを求めているが、そのオンライン推定は依然として難しい。
本稿では,最も広く利用されているリスク尺度であるバリュー・アット・リスク(VaR)のオンライン評価について検討する。
その正確で信頼性の高い見積もりは、タイムリーなリスク制御と情報的意思決定に不可欠である。
我々は、オフラインシミュレーションオンライン推定(OSOA)フレームワークにおいて、量子レグレッションフォレスト(quantile regression forest)を用いることを提案する。
具体的には、量子回帰林をオフラインでトレーニングし、オンラインのVaRとリスク要因の関係を学習し、観察されたリスク要因を組み込んでリアルタイムのVaR推定をオンラインに生成する。
さらに信頼性を確保するため,オンラインVaR推定を校正する共形推定器を開発した。
我々の知る限りでは、我々はOSOAの定式化に基づいて、初めてコンフォーマルキャリブレーションを利用してリアルタイムVaRを確実に推定する。
理論的解析は、提案した推定器の一貫性とカバレッジの妥当性を確立する。
数値実験により提案手法を検証し,その有効性を実証した。
関連論文リスト
- Bayesian Modeling for Uncertainty Management in Financial Risk Forecasting and Compliance [0.0]
我々は,市場ボラティリティ予測,不正検出,コンプライアンス監視におけるリスクの取り扱いを継続的に促進する統合的アプローチを開発する。
我々は,2000年から2019年までのトレーニング期間,2020年から2024年までのアウト・オブ・サンプルテスト期間を用いて,毎日のS&P500リターンにおける95%バリュー・アット・リスク(VaR)予測の性能を評価した。
提案した割引係数DLMモデルは,クラスタ化違反の証拠とともに,わずかにリベラルなVaR推定を導出する。
論文 参考訳（メタデータ） (2025-12-06T23:00:19Z) - RADAR: A Risk-Aware Dynamic Multi-Agent Framework for LLM Safety Evaluation via Role-Specialized Collaboration [81.38705556267917]
大規模言語モデル(LLM)の既存の安全性評価手法は、固有の制約に悩まされている。
リスク概念空間を再構築する理論的枠組みを導入する。
マルチエージェント協調評価フレームワークRADARを提案する。
論文 参考訳（メタデータ） (2025-09-28T09:35:32Z) - 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) - Controlling Risk of Retrieval-augmented Generation: A Counterfactual Prompting Framework [77.45983464131977]
我々は、RAGモデルの予測が誤りであり、現実のアプリケーションにおいて制御不能なリスクをもたらす可能性がどの程度あるかに焦点を当てる。
本研究は,RAGの予測に影響を及ぼす2つの重要な潜伏要因を明らかにする。
我々は,これらの要因をモデルに誘導し,その応答に与える影響を解析する,反実的プロンプトフレームワークを開発した。
論文 参考訳（メタデータ） (2024-09-24T14:52:14Z) - Learning Power Flow with Confidence: A Probabilistic Guarantee Framework for Voltage Risk [1.4592479124539988]
本稿では,電力フロー学習と電圧リスク推定の確率的保証を提案する。
提案したVDK-GPは,平均絶対電圧誤差を1E-03 p.u未満で達成し,ACPF計算の15倍少ないモンテカルロレベルの電圧リスク推定値を再現し,評価時間を120倍以上短縮する。
論文 参考訳（メタデータ） (2023-08-15T16:34:37Z) - Bayesian Risk-Averse Q-Learning with Streaming Observations [7.330349128557128]
我々は,学習エージェントが模擬学習環境から学習する,堅牢な強化学習問題を考える。
エージェントの制御外にある実環境からの観測が定期的に到着する。
実環境からのストリーミング観測でBRMDPを解くための多段階ベイズリスク逆Q-ラーニングアルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-05-18T20:48:50Z) - Safe Deployment for Counterfactual Learning to Rank with Exposure-Based
Risk Minimization [63.93275508300137]
本稿では,安全な配置を理論的に保証する新たなリスク認識型対実学習ランク法を提案する。
提案手法の有効性を実験的に検証し,データが少ない場合の動作不良の早期回避に有効であることを示す。
論文 参考訳（メタデータ） (2023-04-26T15:54:23Z)
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。