論文の概要: Regime-aware financial volatility forecasting via in-context learning

• arxiv url: http://arxiv.org/abs/2603.10299v1
• Date: Wed, 11 Mar 2026 00:47:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:32.734669
• Title: Regime-aware financial volatility forecasting via in-context learning
• Title（参考訳）: 文脈内学習によるレジームを考慮した財務変動予測
• Abstract要約: 本研究は,非定常市場条件下での金融ボラティリティ予測に大規模言語モデル(LLM)を活用する,レシック・アウェア・イン・コンテキスト・ラーニング・フレームワークを導入する。 複数の財務データセットを用いた実験により、提案手法は古典的ボラティリティ予測手法と直接単発学習の両方、特に高ボラティリティ期間において優れた性能を発揮することが示された。
• 参考スコア（独自算出の注目度）: 19.089657251243196
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work introduces a regime-aware in-context learning framework that leverages large language models (LLMs) for financial volatility forecasting under nonstationary market conditions. The proposed approach deploys pretrained LLMs to reason over historical volatility patterns and adjust their predictions without parameter fine-tuning. We develop an oracle-guided refinement procedure that constructs regime-aware demonstrations from training data. An LLM is then deployed as an in-context learner that predicts the next-step volatility from the input sequence using demonstrations sampled conditional to the estimated market label. This conditional sampling strategy enables the LLM to adapt its predictions to regime-dependent volatility dynamics through contextual reasoning alone. Experiments with multiple financial datasets show that the proposed regime-aware in-context learning framework outperforms both classical volatility forecasting approaches and direct one-shot learning, especially during high-volatility periods.
• Abstract（参考訳）: 本研究は,非定常市場条件下での金融ボラティリティ予測に大規模言語モデル(LLM)を活用する,レシック・アウェア・イン・コンテキスト・ラーニング・フレームワークを導入する。 提案手法は,過去の変動パターンを推論し,パラメータを微調整することなく予測を調整するために,事前学習型LLMをデプロイする。 我々は、学習データからレシシック・アウェア・デモを構築するためのオラクル誘導型洗練手順を開発する。 次に、LLMをコンテキスト内学習者として配置し、推定市場ラベルにサンプルされた実演を用いて入力シーケンスから次のステップのボラティリティを予測する。 この条件付きサンプリング戦略により、LLMは文脈的推論だけで、その予測を状態依存のボラティリティダイナミクスに適応させることができる。 複数の財務データセットを用いた実験により、提案手法は古典的ボラティリティ予測手法と直接単発学習の両方、特に高ボラティリティ期間において優れた性能を発揮することが示された。

関連論文リスト

• Making Alternative Data Work: Context-Augmented LLMs for Financial Forecasting [66.81020766645811]
  大規模言語モデル(LLM)は、命令を解釈し、コンテキスト内の例から学習し、予測を生成する。 本稿では、まず、各代替データチャネルが情報化されそうな企業を識別する2エージェントフレームワークを提案する。 このフレームワークを4つの商用代替データチャネルで評価する。
  論文  参考訳（メタデータ） (2026-09-10T14:27:25Z)
• Reasoning through Verifiable Forecast Actions: Consistency-Grounded RL for Financial LLMs [34.87727677131385]
  本発表では、株価予測と財務的理由を検証可能な予測行動を通じて統合する、時系列のLLMであるStockR1を紹介する。 ツールコール設計に基づいて、モデルはまず、定性的市場展望の構造的かつ解釈可能な表現である予測アクションを出力する。 そこでは、回答の妥当性、予測精度、生成したアクション間の一貫性と観察された時系列のダイナミクスを共同で反映する。
  論文  参考訳（メタデータ） (2026-05-21T04:09:16Z)
• LEAF: A Living Benchmark for Event-Augmented Forecasting [78.94019460534442]
  LEAFは、イベント拡張予測タスクの最初の生きたベンチマークである。 我々は最先端のプロプライエタリかつオープンウェイトなLLMを評価した。 LLMは、より予測し易いと自信を持って判断し、より優れたパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-05-09T03:17:59Z)
• Context-Integrated Adversarial Learning for Predictive Modelling of Stock Price Dynamics [0.0]
  本稿では,文脈に敏感な対人学習モデルを導入し,株価の予測を行う。 このアーキテクチャは、将来の価格変動をモデル化するために敵対的トレーニングを使用し、財務的なテキストデータから派生した文脈的感情特徴を取り入れている。 米国株式のサンプルを実験的に評価すると、提案手法が従来のARIMAおよびLSTMベースラインを様々な誤差の尺度で上回っていることが証明される。
  論文  参考訳（メタデータ） (2026-04-13T18:51:01Z)
• $φ$-DPO: Fairness Direct Preference Optimization Approach to Continual Learning in Large Multimodal Models [58.217707070069885]
  本稿では,LMMにおける連続学習のためのFairness Direct Preference Optimization (FaiDPO, $-DPO) フレームワークを提案する。 まず,直接選好最適化(DPO)に基づく新たな連続学習パラダイムを提案する。 大規模な実験とアブレーション研究は、提案された$-DPOが複数のベンチマークでステート・オブ・ザ・アートのパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2026-02-26T04:14:33Z)
• Beyond Naïve Prompting: Strategies for Improved Zero-shot Context-aided Forecasting with LLMs [57.82819770709032]
  大規模言語モデル (LLM) は、na "ive direct prompting" を通じて効果的な文脈支援予測を行うことができる。 ReDPは、明確な推論トレースを抽出することで、解釈可能性を改善し、コンテキスト上でモデルの推論を評価することができる。 CorDPはLLMを活用して、既存の予測をコンテキストで洗練し、現実の予測パイプラインにおける適用性を高める。 IC-DPは、文脈支援予測タスクの歴史的例を即時に組み込むことを提案し、大規模モデルにおいても精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-08-13T16:02:55Z)
• From predictions to confidence intervals: an empirical study of conformal prediction methods for in-context learning [4.758643223243787]
  本稿では,共形予測に基づく予測区間の構築手法を提案する。 従来のコンフォメーション法はモデルフィッティングの繰り返しによる計算コストが高いが,ICLを利用して1回のフォワードパスで信頼区間を効率よく生成する。 我々の実証分析は、リッジ回帰に基づくコンフォメーション手法に対するこのアプローチと比較し、インコンテキスト学習(CP with ICL)によるコンフォメーション予測が、堅牢でスケーラブルな不確実性推定を実現することを示す。
  論文  参考訳（メタデータ） (2025-04-22T09:11:48Z)
• BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges [55.2480439325792]
  本稿では,時系列予測や資産価格の急上昇の予測に特化して,新たな大規模言語モデル(LLM)アーキテクチャであるBreakGPTを紹介する。 我々は、最小限のトレーニングで財務予測を行うための有望なソリューションとしてBreakGPTを紹介し、局所的およびグローバルな時間的依存関係をキャプチャする強力な競合相手として紹介する。
  論文  参考訳（メタデータ） (2024-11-09T05:40:32Z)
• 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)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [48.87381259980254]
  我々は、ChatGPTのような大規模言語モデル(LLM)が、直接の金融トレーニングなしでニュースの見出しから株式市場の反応を予測する能力について文書化している。 GPT-4は、認識後カットオフの見出しを使って、最初の市場の反応を捉え、取引不能な初期反応に対して、ポートフォリオの1日当たりのヒット率を約90%達成している。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)
• Deep Learning Enhanced Realized GARCH [6.211385208178938]
  本稿では,深層学習(LSTM)とボラティリティ対策の併用によるボラティリティモデリングの新しい手法を提案する。 このLSTMで強化されたGARCHフレームワークは、金融経済学、高周波取引データ、ディープラーニングによるモデリングの進歩を取り入れ、蒸留する。
  論文  参考訳（メタデータ） (2023-02-16T00:20:43Z)
• Adaptive Learning on Time Series: Method and Financial Applications [0.0]
  適応学習(Adaptive Learning)は、複数の予測地平線を越えたS&P 500リターンの予測に使用しています。 アダプティブ・ラーニング・モデルは、パラメトリック・モデルの最も優れたものが後部モデルと同等である。 本稿では,2020年の市場崩壊における学習成果の財務的応用と学習体制の解釈について述べる。
  論文  参考訳（メタデータ） (2021-10-21T13:59:54Z)

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。