論文の概要: Transformer-based CoVaR: Systemic Risk in Textual Information

• arxiv url: http://arxiv.org/abs/2602.12490v1
• Date: Fri, 13 Feb 2026 00:10:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-16 23:37:53.796291
• Title: Transformer-based CoVaR: Systemic Risk in Textual Information
• Title（参考訳）: トランスフォーマーに基づくCoVaR:テキスト情報のシステム的リスク
• Authors: Junyu Chen, Tom Boot, Lingwei Kong, Weining Wang,
• Abstract要約: 条件付きバリュー・アット・リスク(CoVaR)は、1つの資産の損失量を測定することでシステム的金融リスクを定量化する。 我々は、金融ニュース記事と市場データを直接統合して、CoVaR推定を改善するトランスフォーマーベースの方法論を開発した。
• 参考スコア（独自算出の注目度）: 15.575683325264647
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conditional Value-at-Risk (CoVaR) quantifies systemic financial risk by measuring the loss quantile of one asset, conditional on another asset experiencing distress. We develop a Transformer-based methodology that integrates financial news articles directly with market data to improve CoVaR estimates. Unlike approaches that use predefined sentiment scores, our method incorporates raw text embeddings generated by a large language model (LLM). We prove explicit error bounds for our Transformer CoVaR estimator, showing that accurate CoVaR learning is possible even with small datasets. Using U.S. market returns and Reuters news items from 2006--2013, our out-of-sample results show that textual information impacts the CoVaR forecasts. With better predictive performance, we identify a pronounced negative dip during market stress periods across several equity assets when comparing the Transformer-based CoVaR to both the CoVaR without text and the CoVaR using traditional sentiment measures. Our results show that textual data can be used to effectively model systemic risk without requiring prohibitively large data sets.
• Abstract（参考訳）: 条件付きバリュー・アット・リスク(CoVaR)は、1つの資産の損失量を測定することでシステム的金融リスクを定量化する。 我々は、金融ニュース記事と市場データを直接統合して、CoVaR推定を改善するトランスフォーマーベースの方法論を開発した。 事前定義された感情スコアを使用するアプローチとは異なり、我々の手法は大規模言語モデル(LLM)によって生成された生テキストの埋め込みを組み込む。 我々は、Transformer CoVaR推定器の明示的なエラー境界を証明し、小さなデータセットでも正確なCoVaR学習が可能であることを示す。 米国の市場リターンと2006年から2013年にかけてのロイターのニュース記事から、われわれの調査の結果は、テキスト情報がCoVaRの予測に影響を及ぼすことを示している。 予測性能の向上により、トランスフォーマーベースのCoVaRをテキストなしのCoVaRと従来の感情尺度を用いたCoVaRの両方と比較する際に、いくつかの株式資産の市場ストレス期間における顕著な負の減少を識別する。 この結果から,テキストデータを用いて,大規模データセットを必要とせず,システム的リスクを効果的にモデル化できることが示唆された。

関連論文リスト

• Explainable AI for Comprehensive Risk Assessment for Financial Reports: A Lightweight Hierarchical Transformer Network Approach [1.2200609701777907]
  上場企業はすべて、財務状況とリスクに関する重要な洞察を含む年間10-Kの報告書を提出している。 これらの報告から企業のリスクを自動的に評価するトランスフォーマーベースのモデルであるTiny eXplainable Risk Assessor(TinyXRA)を提案する。 TinyXRAは、より包括的なリスク評価のために、歪み、硬変、およびソルティーノ比を取り入れている。
  論文  参考訳（メタデータ） (2025-06-30T12:13:35Z)
• 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)
• Geometry-Aware Instrumental Variable Regression [56.16884466478886]
  本稿では,データ導出情報によるデータ多様体の幾何を考慮した移動型IV推定器を提案する。 本手法のプラグイン・アンド・プレイ実装は,標準設定で関連する推定器と同等に動作する。
  論文  参考訳（メタデータ） (2024-05-19T17:49:33Z)
• Bring Your Own Data! Self-Supervised Evaluation for Large Language Models [52.15056231665816]
  大規模言語モデル(LLM)の自己教師型評価のためのフレームワークを提案する。 閉書知識,毒性,長期文脈依存性を測定するための自己指導型評価戦略を実証する。 自己監督評価と人監督評価との間には強い相関関係が認められた。
  論文  参考訳（メタデータ） (2023-06-23T17:59:09Z)
• Conditionally Risk-Averse Contextual Bandits [8.894935073145252]
  平均ケース統計保証付きコンテキスト帯域は、リスク逆の状況では不十分である。 提案手法は,オンライン後悔の保証を施した最初のリスク-逆文脈的帯域幅アルゴリズムである。 最悪の結果を避けるべきさまざまなシナリオから実験を行う。
  論文  参考訳（メタデータ） (2022-10-24T19:49:37Z)
• Risk-Averse No-Regret Learning in Online Convex Games [19.4481913405231]
  リスク回避エージェントを備えたオンラインゲームは,コストの大幅な増大のリスクを最小限に抑える最適な決定を学習することを目的としている。 コスト関数の分布は一般に観測不可能なすべてのエージェントの作用に依存するため、コストの条件付値(CVaR)の計算は困難である。 CVaR値を用いて計算したCVaR勾配の1点ゼロ次推定に依存する新しいオンラインリスク逆学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-03-16T21:36:47Z)
• Risk Minimization from Adaptively Collected Data: Guarantees for Supervised and Policy Learning [57.88785630755165]
  経験的リスク最小化(Empirical Risk Minimization, ERM)は、機械学習のワークホースであるが、適応的に収集されたデータを使用すると、そのモデルに依存しない保証が失敗する可能性がある。 本研究では,仮説クラス上での損失関数の平均値を最小限に抑えるため,適応的に収集したデータを用いた一般的な重み付きERMアルゴリズムについて検討する。 政策学習では、探索がゼロになるたびに既存の文献のオープンギャップを埋める率-最適後悔保証を提供する。
  論文  参考訳（メタデータ） (2021-06-03T09:50:13Z)
• Learning from Similarity-Confidence Data [94.94650350944377]
  類似度信頼性(Sconf)データから学習する新しい弱監督学習問題について検討する。 本研究では,Sconfデータのみから計算可能な分類リスクの非バイアス推定器を提案し,推定誤差境界が最適収束率を達成することを示す。
  論文  参考訳（メタデータ） (2021-02-13T07:31:16Z)
• Encoded Value-at-Risk: A Predictive Machine for Financial Risk Management [0.0]
  本稿では,Encoded Value-at-Risk (Encoded VaR) と呼ばれる新たな市場リスク計測手法を提案する。 可変オートエンコーダ(VAEs)と呼ばれる,ニューラルネットワークのタイプをベースとする符号化VaR
  論文  参考訳（メタデータ） (2020-11-13T03:25:35Z)

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。