論文の概要: Same Error, Different Function: The Optimizer as an Implicit Prior in Financial Time Series

• arxiv url: http://arxiv.org/abs/2603.02620v1
• Date: Tue, 03 Mar 2026 05:47:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-04 21:38:10.652781
• Title: Same Error, Different Function: The Optimizer as an Implicit Prior in Financial Time Series
• Title（参考訳）: 同じ誤りと異なる機能:金融時系列における暗黙の先駆者としての最適化
• Authors: Federico Vittorio Cortesi, Giuseppe Iannone, Giulia Crippa, Tomaso Poggio, Pierfrancesco Beneventano,
• Abstract要約: テスト損失が同一である異なるモデル-トレーニング-ピペリンペアは、定性的に異なる関数を学習する。 不特定設定では、最適化は帰納バイアスの連続的な源として機能する、と結論付けている。
• 参考スコア（独自算出の注目度）: 0.5405981353784005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural networks applied to financial time series operate in a regime of underspecification, where model predictors achieve indistinguishable out-of-sample error. Using large-scale volatility forecasting for S$\&$P 500 stocks, we show that different model-training-pipeline pairs with identical test loss learn qualitatively different functions. Across architectures, predictive accuracy remains unchanged, yet optimizer choice reshapes non-linear response profiles and temporal dependence differently. These divergences have material consequences for decisions: volatility-ranked portfolios trace a near-vertical Sharpe-turnover frontier, with nearly $3\times$ turnover dispersion at comparable Sharpe ratios. We conclude that in underspecified settings, optimization acts as a consequential source of inductive bias, thus model evaluation should extend beyond scalar loss to encompass functional and decision-level implications.
• Abstract（参考訳）: 金融時系列に適用されたニューラルネットワークは、モデル予測器が識別不能なアウト・オブ・サンプルエラーを発生させる不特定の状態で動作している。 S$\&$P500株の大規模ボラティリティ予測を用いて、同一の試験損失を持つ異なるモデル-トレーニング-ピペリンペアが定性的に異なる関数を学習することを示す。 アーキテクチャ全体では、予測精度は変わらないが、最適化された選択は、非線形の応答プロファイルと時間的依存を異なる方法で再現する。 ボラティリティがランク付けされたポートフォリオは、ほぼ垂直に近いシャープターンオーバーフロンティアを辿る。 不特定設定では、最適化は帰納バイアスの連続した源として機能し、モデル評価はスカラー損失を超えて機能的および決定的含意を包含するべきであると結論付けている。

関連論文リスト

• Integrated Prediction and Multi-period Portfolio Optimization [29.582959310549594]
  マルチ周期ポートフォリオ最適化は、取引コスト、パス依存リスク、および取引決定の時間的構造を考慮に入れている。 本稿では,ターンオーバーペナルティを用いた多周期平均分散ポートフォリオ最適化モデルであるIPMOを紹介する。 拡張性のために,KKT(Karush-Kuhn-Tucker)システムの分解を回避したMDFP( mirror-descent fixed-point)微分方式を提案する。
  論文  参考訳（メタデータ） (2025-12-12T04:31:22Z)
• $K^2$VAE: A Koopman-Kalman Enhanced Variational AutoEncoder for Probabilistic Time Series Forecasting [11.83736650205371]
  確率的時系列予測(PTSF)は、経済、エネルギー、輸送など様々な分野における意思決定において重要な役割を果たしている。 我々は、非線形時系列を線形力学系に変換する効率的なVAEベースの生成モデルであるK2$VAEを紹介する。 K2$VAEは、短期および長期のPTSFにおいて最先端のメソッドより優れており、より効率的で正確なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-05-29T02:52:59Z)
• Adaptive Conformal Inference by Betting [51.272991377903274]
  データ生成プロセスについて仮定することなく適応型共形推論の問題を考察する。 適応型共形推論のための既存のアプローチは、オンライン勾配勾配の変種を用いたピンボール損失の最適化に基づいている。 本稿では,パラメータフリーなオンライン凸最適化手法を利用した適応型共形推論手法を提案する。
  論文  参考訳（メタデータ） (2024-12-26T18:42:08Z)
• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)
• Application of Deep Learning for Factor Timing in Asset Management [21.212548040046133]
  より柔軟なモデルは、目に見えない期間の係数プレミアムのばらつきを説明するのにより良いパフォーマンスを持つ。 ニューラルネットワークのような柔軟なモデルでは、予測に基づく最適な重み付けは不安定である傾向がある。 我々は、過去の最適再バランス方式によるリバランス頻度の傾きが、取引コストの削減に役立つことを検証した。
  論文  参考訳（メタデータ） (2024-04-27T21:57:17Z)
• 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)
• Graph Neural Networks for Forecasting Multivariate Realized Volatility with Spillover Effects [16.260673340556135]
  提案モデルでは, マルチホップ近傍からの流出効果を取り入れ, 非線形関係を捉え, 損失関数の異なるフレキシブルなトレーニングを行う。 この結果から,擬似的損失によるトレーニングがモデル性能の大幅な向上につながることが示唆された。
  論文  参考訳（メタデータ） (2023-08-01T14:39:03Z)
• Feature Selection with Annealing for Forecasting Financial Time Series [2.44755919161855]
  本研究では,機械学習(ML)モデルを用いた戦術的入力出力特徴マッピング技術に基づいて,財務時系列を総合的に予測する手法を提案する。 実験の結果,FSAアルゴリズムは問題の種類に関わらず,MLモデルの性能を向上することが示された。
  論文  参考訳（メタデータ） (2023-03-03T21:33:38Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Predicting with Confidence on Unseen Distributions [90.68414180153897]
  ドメイン適応と予測不確実性文学を結びつけて、挑戦的な未知分布のモデル精度を予測する。 分類器の予測における信頼度(DoC)の差は,様々な変化に対して,分類器の性能変化を推定することに成功した。 具体的には, 合成分布と自然分布の区別について検討し, その単純さにもかかわらず, DoCは分布差の定量化に優れることを示した。
  論文  参考訳（メタデータ） (2021-07-07T15:50:18Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。