論文の概要: Yield Curves Dynamics Using Variational Autoencoders Under No-arbitrage

• arxiv url: http://arxiv.org/abs/2605.12764v1
• Date: Tue, 12 May 2026 21:21:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.696221
• Title: Yield Curves Dynamics Using Variational Autoencoders Under No-arbitrage
• Title（参考訳）: 無軌道変分オートエンコーダを用いた収率曲線のダイナミクス
• Authors: Fusheng Luo, H'elyette Geman,
• Abstract要約: 本稿では,Deep Learningの統計的柔軟性と,固定所得モデルにおける厳密な理論的制約の相違を解消する物理インフォームドフレームワークを提案する。 本研究では, 標準生成モデルと非制約統計外挿が, 様々なマクロ経済体制における項構造予測において, 「二重崩壊」 と「厳密な仲裁違反」に悩まされることを実証する。 究極的には、この研究は項構造モデリングのための高度にスケーラブルで数学的に健全な進化的エンジンを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper introduces a physics-informed generative framework that resolves the fundamental conflict between the statistical flexibility of deep learning and the rigorous theoretical constraints of fixed-income modeling. We demonstrate that standard generative models and unconstrained statistical extrapolations suffer from "manifold collapse" and severe arbitrage violations when forecasting term structures across diverse macroeconomic regimes. To overcome this, we propose a two-stage architecture. First, a Student-t Conditional Variational Autoencoder with Dynamic Level Injection (CVAEsT+LS) extracts a robust, heavy-tailed term structure manifold, effectively decoupling macroeconomic shape dynamics from absolute base rates. Second, the latent dynamic evolution is governed by a continuous-time Neural Stochastic Differential Equation (SDE) strictly penalized by a No-Arbitrage Partial Differential Equation (PDE). Empirical results across multiple sovereign currencies (USD, GBP, JPY) confirm that our synergistic approach drastically reduces out-of-sample forecasting errors -- achieving an exceptional 6.58 bps Mean Tenor RMSE -- and successfully overcomes the massive parallel drift and zero-lower-bound violations exhibited by the classical HJM model in extreme environments. Furthermore, through phase space vector field analysis, we demonstrate the model's superior capability in unsupervised macroeconomic regime detection and high-quality continuous-time scenario generation. Ultimately, this research provides a highly scalable, mathematically sound evolutionary engine for term structure modeling.
• Abstract（参考訳）: 本稿では,Deep Learningの統計的柔軟性と固定所得モデルにおける厳密な理論的制約との根本的な矛盾を解消する物理インフォームド生成フレームワークを提案する。 本研究では, 標準生成モデルと非制約統計外挿が, 様々なマクロ経済体制における項構造を予測する際に, 「二重崩壊」 と「厳密な仲裁違反」に悩まされることを実証する。 これを解決するために,我々は2段階アーキテクチャを提案する。 まず, 動的レベルインジェクション(CVAEsT+LS)を用いた学生-t条件変分オートエンコーダを用いて, 絶対ベースレートからマクロ経済形状のダイナミックスを効果的に分離する頑健な項構造多様体を抽出する。 第二に、潜伏動的進化は連続時間ニューラル確率微分方程式(SDE)によって制御され、厳密にPDE(No-Arbitrage partial Differential Equation)によって罰せられる。 複数の主権通貨(USD, GBP, JPY)にまたがる実証的な結果から、我々の相乗的アプローチは、異常な6.58bpsの平均テナーRMSEを達成し、極端な環境下での古典的HJMモデルによる巨大な並列ドリフトとゼロローダーバウンド違反を克服することに成功した。 さらに、位相空間ベクトル場解析により、教師なしマクロ経済状態の検出と高品質な連続シナリオ生成におけるモデルの優れた能力を実証する。 究極的には、この研究は項構造モデリングのための高度にスケーラブルで数学的に健全な進化的エンジンを提供する。

関連論文リスト

• Anomaly-Preference Image Generation [41.96735569500412]
  本稿では,Anomaly Preference Optimizationを導入する。Anomaly Preference Optimizationは,Anomaly Generationを優先学習問題として再構成する新しいパラダイムである。 我々は,本手法が既存のベースラインを著しく上回り,現実主義と多様性の両面で最先端のパフォーマンスを実現していることを示す。
  論文  参考訳（メタデータ） (2026-05-04T10:37:09Z)
• Towards Efficient and Stable Ocean State Forecasting: A Continuous-Time Koopman Approach [17.986879367736762]
  連続時間クープマンオートエンコーダ (CT-KAE) は, 長期海洋状態予測のための軽量サロゲートモデルである。 CT-KAEは、自己回帰トランスフォーマーベースラインとは対照的に、境界誤差成長と安定した大規模統計を示す。 このモデルでは,数値解法よりも高速な推定が可能である。
  論文  参考訳（メタデータ） (2026-03-05T09:39:44Z)
• Dynamic Decision-Making under Model Misspecification: A Stochastic Stability Approach [17.087471640760885]
  モデルクラスが誤特定された場合に,最もよく用いられるベイズ強化学習アルゴリズムであるトンプソンサンプリングの挙動について検討する。 まず,不特定二本腕ガウス帯状体における後部進化の完全な動的分類について述べる。 次に解析を一般有限モデルクラスに拡張し、統一マルコフフレームワークを開発する。
  論文  参考訳（メタデータ） (2026-02-19T05:14:09Z)
• Unlocking Out-of-Distribution Generalization in Dynamics through Physics-Guided Augmentation [46.40087254928057]
  物理誘導量拡張プラグインのSPARKについて述べる。 多様なベンチマーク実験により、SPARKは最先端のベースラインを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2025-10-28T09:30:35Z)
• Km-scale dynamical downscaling through conformalized latent diffusion models [45.94979929172337]
  高分解能気象場を粗大なシミュレーションから導き出すためには, 動的ダウンスケーリングが不可欠である。 Generative Diffusion Model(DM)は、最近、このタスクのための強力なデータ駆動ツールとして登場した。 しかし、DMは過信予測に対する有限サンプル保証を欠いているため、グリッドポイントレベルの不確実性推定が誤って行われる。 我々は、コンフォーマルな予測フレームワークでダウンスケーリングパイプラインを拡張することで、この問題に対処する。
  論文  参考訳（メタデータ） (2025-10-15T08:41:36Z)
• Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
  コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。 シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。 マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T04:48:49Z)
• Differential-Integral Neural Operator for Long-Term Turbulence Forecasting [43.04613533979613]
  textbfunderlineDifferential-textbfunderlineIntegral textbfunderlineNeural textbfunderlineOperator (method) メソッドは、異なる物理演算子を学習する並列分岐による乱流進化を明示的にモデル化する。 数百のタイムステップにわたる誤差の蓄積をうまく抑制し、渦場とエネルギースペクトルの両方において高い忠実性を維持し、物理的に一貫した長距離乱流予測のための新しいベンチマークを確立する。
  論文  参考訳（メタデータ） (2025-09-25T14:08:26Z)
• Resolving Turbulent Magnetohydrodynamics: A Hybrid Operator-Diffusion Framework [0.1572025118388268]
  ハイブリッド機械学習フレームワークは、100, 250, 500, 750, 1000, 3000, 10000$で$mathrmReで高忠実度シミュレーションの包括的なアンサンブルに基づいてトレーニングされている。 極度の乱流レベルでは、磁場の高波数進化を回復できる最初のサロゲートのままである。
  論文  参考訳（メタデータ） (2025-07-02T19:33:57Z)
• Stochastic generative methods for stable and accurate closure modeling of chaotic dynamical systems [0.0]
  決定論的サブグリッドスケール(SGS)モデルは、特にカオスと乱流の領域において、散逸し不安定であることが多い。 微分方程式(SDE)を用いた閉包モデリングのためのパラメトリックおよび生成手法を提案する。 本研究では, 揺らぎに基づくモデルの導出と実装を行い, 生成的アプローチによるブリッジ理論モデルの精度向上を実証する。
  論文  参考訳（メタデータ） (2025-04-13T22:59:42Z)

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。