論文の概要: Quantifying the Risk-Return Tradeoff in Forecasting
- arxiv url: http://arxiv.org/abs/2605.09712v1
- Date: Sun, 10 May 2026 19:21:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:50.386377
- Title: Quantifying the Risk-Return Tradeoff in Forecasting
- Title（参考訳）: 予測におけるリスク・リターントレードオフの定量化
- Abstract要約: 平均予測精度は予測信頼性と同じではない。
私は、ベンチマークに対する予測損失差をリターンシリーズとして扱います。
次に、シャープ比、ソルティーノ比、オメガ比、ドローダウンベースの指標など、金融のリスク調整されたパフォーマンス指標を用いて、これらのリターンを評価する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Average forecast accuracy is not the same as forecast reliability. I treat forecast loss differentials relative to a benchmark as a return series. I then evaluate these returns using risk-adjusted performance measures from finance, including the Sharpe ratio, Sortino ratio, Omega ratio, and drawdown-based metrics. I also introduce the Edge Ratio capturing a model's propensity to deliver uniquely informative predictions relative to the forecasting frontier. I apply this framework to U.S. macroeconomic forecasting, comparing econometric benchmarks, machine learning models, a foundation model (TabPFN), and the Survey of Professional Forecasters. While it is often feasible to beat professional forecasters in terms of average accuracy, it is much harder to beat them on a risk-adjusted basis. They rarely exhibit catastrophic failures and often achieve high Edge Ratios, plausibly reflecting the value of contextual judgment. Nonetheless, selected machine learning methods deliver attractive risk profiles for specific targets. The framework naturally extends to meta-analyses across targets, horizons, and samples, illustrated with a density forecast evaluation and the M4 competition.
- Abstract（参考訳）: 平均予測精度は予測信頼性と同じではない。
私は、ベンチマークに対する予測損失差をリターンシリーズとして扱います。
次に、シャープ比、ソルティーノ比、オメガ比、ドローダウンベースの指標など、金融のリスク調整されたパフォーマンス指標を用いて、これらのリターンを評価する。
また、予測フロンティアに対して一意に有意な予測を行うために、モデルの正当性をキャプチャするエッジ比についても紹介する。
このフレームワークを米国のマクロ経済予測に適用し、エクコノメトリックベンチマーク、機械学習モデル、基礎モデル(TabPFN)、プロフェッショナル・フォアキャスターの調査を比較します。
平均的な精度でプロの予測者を打ち負かすことはしばしば可能であるが、リスク調整された基準で打ち負かすことははるかに困難である。
破滅的な失敗はめったに現れず、しばしば高いエッジ比を達成し、文脈的判断の価値を少なくとも反映している。
それでも、選択した機械学習メソッドは、特定のターゲットに対して魅力的なリスクプロファイルを提供する。
このフレームワークは、ターゲット、地平線、サンプルにわたるメタ分析にまで自然に拡張され、密度予測評価とM4競争で示される。
関連論文リスト
- Latent-Regime Bias Auditing for Volatility Forecasting [0.44333156307871585]
本稿では,潜在市場体制全体でのボラティリティ予測が信頼性を維持しているかどうかを評価するためのモデル非依存型監査フレームワークを提案する。
我々は、市場状態のウィンドウの時系列表現を学習し、トレーニング情報のみを用いてレジームに分類し、アグリゲーション予測行動とレジーム条件バイアス、テール・アンダープレディション、そして過小評価に敏感な経済損失を比較した。
論文 参考訳（メタデータ） (2026-08-03T02:09:39Z) - FinBench: Time-Gated Calibration and Uncertainty Benchmarking for Agentic Financial Forecasting [0.0]
FinBenchは、財務予測のためのキャリブレーションと不確実性の品質を評価するために設計されたベンチマークである。
本稿では,ベンチマークの仕様を記述し,パイプラインの健全性チェックとして小さなパイロット走行を報告する。
論文 参考訳（メタデータ） (2026-06-24T01:27:30Z) - TFRBench: A Reasoning Benchmark for Evaluating Forecasting Systems [52.91956121737963]
我々は,予測システムの推論能力を評価するための最初のベンチマークであるTFRBenchを紹介する。
本稿では,反復的検証ループを用いて,数値的に基底となる推論トレースを合成するマルチエージェント・フレームワークを提案する。
評価は,この推論が因果的に有効であること,評価に有用であること,生成したトレースでLSMを誘導することにより,予測精度が大幅に向上することを確認した。
論文 参考訳（メタデータ） (2026-04-07T03:04:45Z) - Forecast collapse of transformer-based models under squared loss in financial time series [0.0]
弱条件構造を持つ時系列の2乗損失下での軌跡予測について検討した。
我々は、将来の軌道の条件付き期待が効果的に縮退する体制を強調した。
モデル表現率の向上は予測精度を向上させるものではなく、代わりに最適な予測器の周囲に突発的な軌道変動をもたらす。
論文 参考訳（メタデータ） (2026-03-31T09:06:52Z) - Beyond Accuracy: A Stability-Aware Metric for Multi-Horizon Forecasting [0.0]
本稿では,確率的マルチホライゾン予測の質を評価するための予測精度とコヒーレンススコア(略してACスコア)を紹介する。
その結果,従来の最大推定値よりも大幅に改善した。
論文 参考訳（メタデータ） (2026-01-15T21:26:57Z) - Forecasting the U.S. Treasury Yield Curve: A Distributionally Robust Machine Learning Approach [0.12891210250935145]
配当の不確実性下における米国債利回り曲線の予測について検討する。
予測者は、平均予測誤差を最小化する代わりに、最悪のケース予測損失を最小限に抑える決定ルールを選択する。
本研究では,因子モデルと高次元非パラメトリック機械学習モデルを統合する分散ロバストなアンサンブル予測フレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-08T05:26:43Z) - Uncertainty Quantification for Regression using Proper Scoring Rules [76.24649098854219]
CRPS,対数,2乗誤差,2次スコアなど,適切なスコアリングルールに基づく回帰のための統一的UQフレームワークを提案する。
実測パラメトリックな仮定に基づく不確実性尺度に対する閉形式式を導出し、モデルのアンサンブルを用いてそれらを推定する方法を示す。
合成および実世界の回帰データセットに対する広範な評価は、信頼性の高いUQ尺度を選択するためのガイダンスを提供する。
論文 参考訳（メタデータ） (2025-09-30T17:52:12Z) - Enforcing tail calibration when training probabilistic forecast models [0.0]
本研究では,確率予測モデルの学習に使用する損失関数を用いて,極端な事象に対する予測の信頼性を向上させる方法について検討する。
我々は,最先端モデルが極端風速のキャリブレーション予測を発行しないことを示すとともに,モデルトレーニング中の損失関数への適切な適応により,極端事象のキャリブレーションを改善することができることを示した。
論文 参考訳（メタデータ） (2025-06-16T16:51:06Z) - Consistency Checks for Language Model Forecasters [54.62507816753479]
予測器の性能を,論理的に異なる質問に対する予測の整合性の観点から測定する。
我々は,一連の基本質問を生成し,これらの質問から整合性チェックをインスタンス化し,予測者の予測を導き,予測の整合性を測定する自動評価システムを構築した。
論文 参考訳（メタデータ） (2024-12-24T16:51:35Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳（メタデータ） (2024-02-02T10:34:13Z) - Conservative Predictions on Noisy Financial Data [6.300716661852326]
金融市場の価格変動は、非常に騒々しいことがよく知られている。
従来のルール学習技術は、高精度なルールのみを求め、先行者が適用されない予測を控えるものだった。
我々は、モデルが不確実であるデータポイントの予測を控える、同様のアプローチを適用する。
論文 参考訳（メタデータ） (2023-10-18T09:14:19Z) - Evaluating Probabilistic Classifiers: The Triptych [62.997667081978825]
本稿では,予測性能の異なる相補的な側面に焦点をあてた診断グラフィックのトリチチを提案し,研究する。
信頼性図は校正に対処し、受信動作特性(ROC)曲線は識別能力を診断し、マーフィー図は全体的な予測性能と価値を視覚化する。
論文 参考訳（メタデータ） (2023-01-25T19:35:23Z) - Learning to Predict Trustworthiness with Steep Slope Loss [69.40817968905495]
本研究では,現実の大規模データセットにおける信頼性の予測問題について検討する。
我々は、先行技術損失関数で訓練された信頼性予測器が、正しい予測と誤った予測の両方を信頼に値するものとみなす傾向があることを観察する。
そこで我々は,2つのスライド状の曲線による不正確な予測から,特徴w.r.t.正しい予測を分離する,新たな急勾配損失を提案する。
論文 参考訳（メタデータ） (2021-09-30T19:19:09Z)
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。