論文の概要: Conditioning on a Volatility Proxy Compresses the Apparent Timescale of Collective Market Correlation

• arxiv url: http://arxiv.org/abs/2603.14072v1
• Date: Sat, 14 Mar 2026 18:37:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.581005
• Title: Conditioning on a Volatility Proxy Compresses the Apparent Timescale of Collective Market Correlation
• Title（参考訳）: ボラティリティプロキシの条件付けは、集合的市場相関の明瞭な時間スケールを圧縮する
• Abstract要約: VIXを結合したOrnstein-Uhlenbeckモデルは、効果的な緩和時間を298ドルから611ドルに短縮する。 分解サンプルでは、$log(mathrmVIX)$の情報残余は、その利得のほとんどを保持します。 また、観測されたスローダイナミクスの条件付けは、見かけのスローダイナミクスの大部分を吸収することを示した。
• 参考スコア（独自算出の注目度）: 18.923595971721344
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We address the attribution problem for apparent slow collective dynamics: is the observed persistence intrinsic, or inherited from a persistent driver? For the leading eigenvalue fraction $ψ_1=λ_{\max}/N$ of S\&P 500 60-day rolling correlation matrices ($237$ stocks, 2004--2023), a VIX-coupled Ornstein--Uhlenbeck model reduces the effective relaxation time from $298$ to $61$ trading days and improves the fit over bare mean reversion by $Δ$BIC$=109$. On the decomposition sample, an informational residual of $\log(\mathrm{VIX})$ alone retains most of that gain ($Δ$BIC$=78.6$), whereas a mechanical VIX proxy alone does not improve the fit. Autocorrelation-matched placebo fields fail ($Δ$BIC$_{\max}=2.7$), disjoint weekly reconstructions still favor the field-coupled model ($Δ$BIC$=140$--$151$), and six anchored chronological holdouts preserve the out-of-sample advantage. Quiet-regime and field-stripped residual autocorrelation controls show the same collapse of persistence. Stronger hidden-variable extensions remain only partially supported. Within the tested stochastic class, conditioning on the observed VIX proxy absorbs most of the apparent slow dynamics.
• Abstract（参考訳）: 観察された永続性は本質的か、それとも永続運転者から受け継がれているのか? S\&P 500 60日間の相関行列 (237$ Stocks, 2004-2023) の先頭の固有値分 $ _1=λ_{\max}/N$ に対して、VIX結合のオルンシュタイン-ウレンベックモデルでは、有効緩和時間を298ドルから611ドルに短縮し、素平均の逆転を$$$$$BIC$=109$に改善する。 分解サンプルでは、$\log(\mathrm{VIX})$の情報残余は、ほとんどの利得(Δ$BIC$=78.6$)を保持するが、機械的なVIXプロキシだけでは適合性は改善されない。 自動相関マッチングされたプラセボフィールドは失敗する(Δ$BIC$_{\max}=2.7$)。 クイットレジームとフィールドストリップの残差自己相関制御は、同じ持続性の崩壊を示す。 より強力な隠れ変数拡張は、部分的にしかサポートされていない。 テストされた確率クラスの中で、観測されたVIXプロキシの条件付けは、見かけの遅いダイナミクスの大部分を吸収する。

関連論文リスト

• SANE: State Anomaly Neutralization for Stable Extreme-Context Delta-Rule Models [53.86918766240095]
  Delta-Ruleリカレントモデルは固定サイズの状態を維持しており、$O(1)$の推論メモリが可能であるが、極端なコンテキスト外挿では不安定になる可能性がある。 我々は,チャンク内並列構造を保ちながら,チャンク境界における適応$tanh$圧縮を適用したtextbfState Anomaly Neutralization (SANE)を提案する。
  論文  参考訳（メタデータ） (2026-08-23T10:41:07Z)
• From Approachability Residuals to Anytime-Valid Evidence: The Online Convex Geometry of Testing by Betting [0.1624454100511275]
  ギャンブリングベースのシーケンシャルテストとブラックウェルのアプローチ性は、支持関数による比例還元によってリンクされる。 正確な経路単位は$$dist(bar r_T,S) =frac1Tsum_t=1Tq_t+fracReg_TTである。
  論文  参考訳（メタデータ） (2026-08-10T11:23:30Z)
• Your VLM Already Knows When: Training-Free Temporal Grounding by Asking Yes or No [2.531680975633497]
  イベントを確実に認識するマルチモーダルLLMは、いつ発生したかはいまだに言えない。 この失敗はタスクインターフェースに存在し、知覚にはないことを示す。
  論文  参考訳（メタデータ） (2026-08-08T19:57:47Z)
• Is Spurious Correlation Removal Always Learnable? [56.28155520961125]
  不変学習は、構造が統計的に識別可能であっても失敗することがある。 ブラックボックスサンプリング可能な教師付きスパースリカバリプリミティブの下では、実証可能な多次元環境が存在する。 合成および実際のデータセットは、予測されたギャップと遷移を示し、単純な多様性診断を動機付ける。
  論文  参考訳（メタデータ） (2026-06-11T05:49:43Z)
• How Neural Reward Models Learn Features for Policy Optimization: A Single-Index Analysis [53.063298916923976]
  r*(x) = *(langle *, xrangle)$ と $x sim N(0, I_d)$ でガウスの単一インデックスモデルでフィードバックを研究する。 まず、報酬重み付きサンプルから隠れた方向を*$で学習し、次に重み付きリッジ回帰により読み出し層に適合する2段階のニューラル報酬モデルを分析する。
  論文  参考訳（メタデータ） (2026-05-23T22:00:38Z)
• When Does $\ell_2$-Boosting Overfit Benignly? High-Dimensional Risk Asymptotics and the $\ell_1$ Implicit Bias [15.113649527486276]
  良性オーバーフィッティングが線形レートで失敗することを示します。 この局所化機構は信号の存在下で持続するべきであるが、正確な信号-雑音分解は未解決の問題である。
  論文  参考訳（メタデータ） (2026-05-07T14:14:09Z)
• Tight Convergence Rates for Online Distributed Linear Estimation with Adversarial Measurements [66.94250413799232]
  分散パラメータ-サーバ-ワーカー設定における乱数ベクトル$X$の推定について検討する。 主な課題は、敵の計測と非同期である。 その結果, 分散線形推定におけるロバスト性, 識別性, 統計的効率の統一的有限時間評価が得られた。
  論文  参考訳（メタデータ） (2026-04-07T11:45:55Z)
• Decoherence in the Pure Dephasing Spin-Boson Model with Hermitian or Non-Hermitian Bath [0.33148826359547523]
  エルミート浴と非エルミート浴とのカップリングによるキュービットの脱コヒーレンスについて検討した。 本結果は,非エルミート環境工学がクビットのデコヒーレンスを抑制する可能性を示している。
  論文  参考訳（メタデータ） (2025-12-17T10:45:50Z)
• Posterior Sampling by Combining Diffusion Models with Annealed Langevin Dynamics [6.987640034932562]
  後方サンプリングは、塗装、脱臭、MRI再構成などのタスクのための正確で公正なフレームワークを提供する。 我々は、拡散モデルとランゲヴィン力学の変種を組み合わせることで、スコア誤差の$L4$バウンドだけで条件付きサンプリングを実現することを証明した。
  論文  参考訳（メタデータ） (2025-10-30T10:17:27Z)
• FedSVD: Adaptive Orthogonalization for Private Federated Learning with LoRA [68.44043212834204]
  Low-Rank Adaptation (LoRA) は、学習における言語モデルの効率的な微調整に広く用いられている。 Low-Rank Adaptation (LoRA) は、学習における言語モデルの効率的な微調整に広く用いられている。
  論文  参考訳（メタデータ） (2025-05-19T07:32:56Z)
• Spurious Correlations in High Dimensional Regression: The Roles of Regularization, Simplicity Bias and Over-Parameterization [19.261178173399784]
  学習モデルは、トレーニングデータ内の非予測的特徴と関連するラベルとの間に急激な相関関係があることが示されている。 我々は、データ共分散とリッジ正規化の強さの点から、線形回帰によって学習されたスプリアス相関の量$C$を定量化する。
  論文  参考訳（メタデータ） (2025-02-03T13:38:42Z)
• Improved Bound for Robust Causal Bandits with Linear Models [16.60875994745622]
  本稿では,時間的モデル変動に直面した因果包帯のロバスト性について検討する。 提案アルゴリズムは,$C$が$o(sqrtT)$の場合に,ほぼ最適な$tildemathcalO(sqrtT)$後悔を達成する。
  論文  参考訳（メタデータ） (2024-05-13T14:41:28Z)
• Statistical Learning under Heterogeneous Distribution Shift [71.8393170225794]
  ground-truth predictor is additive $mathbbE[mathbfz mid mathbfx,mathbfy] = f_star(mathbfx) +g_star(mathbfy)$.
  論文  参考訳（メタデータ） (2023-02-27T16:34:21Z)
• Beyond Invariance: Test-Time Label-Shift Adaptation for Distributions with "Spurious" Correlations [44.99833362998488]
  テスト時のデータ分散の変化は、予測モデルのパフォーマンスに有害な影響を及ぼす可能性がある。 本研究では,未ラベルサンプルに適用したEMを用いて,共同分布の$p(y, z)$の変化に適応するテストタイムラベルシフト補正を提案する。
  論文  参考訳（メタデータ） (2022-11-28T18:52:33Z)

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。