論文の概要: Probabilistic Multivariate Time Series Forecasting with Diffusion Copulas

• arxiv url: http://arxiv.org/abs/2605.19685v1
• Date: Tue, 19 May 2026 11:17:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.297202
• Title: Probabilistic Multivariate Time Series Forecasting with Diffusion Copulas
• Title（参考訳）: 拡散コプラを用いた確率的多変量時系列予測
• Authors: David Huk, Dongshan Wang, Miha Bresar,
• Abstract要約: 本稿では,差分分布の学習を依存構造から明示的に分離する拡散コプラフレームワークを提案する。 暗号通貨市場に適用することで、我々のアプローチは最先端のベースラインよりも優れたパフォーマンスを示している。
• 参考スコア（独自算出の注目度）: 0.9558392439655014
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurately assessing financial risk requires capturing both individual asset volatility and the complex, asymmetric dependence structures that emerge during extreme market events. While modern diffusion-based models have advanced multivariate forecasting, they often suffer from a "normality bias" when trained end-to-end, sacrificing marginal calibration for joint coherence and consistently underestimating tail risk. To address this, we propose a Diffusion-Copula framework that explicitly decouples the learning of marginal distributions from their dependence structure. We employ deep Mixture Density Networks to capture heavy-tailed asset dynamics, followed by a Classification-Diffusion Copula to model the joint dependence. Applied to cryptocurrency markets, our approach demonstrates superior performance over state-of-the-art baselines in forecasting systemic extremes of both marginal and joint events. Crucially, we demonstrate that while baseline models classify simultaneous market crashes as statistically impossible "Black Swans" (high surprise), our framework identifies them as "Expected Crashes" (low surprise), successfully preserving the correlation structure necessary for robust risk management during contagion events.
• Abstract（参考訳）: 金融リスクを正確に評価するには、個人資産のボラティリティと、極端な市場イベントの間に出現する複雑な非対称的依存構造の両方を取得する必要がある。 現代の拡散モデルでは、多変量予測が進んでいるが、訓練されたエンドツーエンドでは「正規性バイアス」に悩まされ、結合コヒーレンスに対する限界校正を犠牲にし、常に尾のリスクを過小評価する。 そこで本稿では,差分分布の学習を依存構造から明示的に分離する拡散コプラフレームワークを提案する。 我々は、重み付き資産動態を捉えるために深層混合密度ネットワークを使用し、次いで、関節依存をモデル化するために分類拡散コピュラを用いる。 暗号通貨市場に当てはまると、我々のアプローチは、最先端のベースラインよりも、限界イベントとジョイントイベントの両方のシステム的極端を予測する上で、優れたパフォーマンスを示す。 重要なことは、ベースラインモデルが同時市場崩壊を統計的に不可能な「ブラックスワンズ」として分類する一方で、我々のフレームワークはこれらを「探索クレーシュ」と同定し(低いサプライズ)、感染イベントにおけるロバストなリスク管理に必要な相関構造を維持することに成功している。

関連論文リスト

• DeepLévy: Learning Heavy-Tailed Uncertainty in Highly Volatile Time Series [6.2509441706443]
  DeepLévyは、Lévyの安定分布の混合を学習するニューラルネットワークフレームワークである。 DeepLévyには、複数のLévyコンポーネント上でコンテキスト依存の重みとパラメータを適応的に学習する混合メカニズムが組み込まれている。
  論文  参考訳（メタデータ） (2026-05-11T11:08:40Z)
• Probabilistic Circuits for Irregular Multivariate Time Series Forecasting [10.534258791589314]
  本稿では,確率回路に基づく確率的IMTS予測の新しいアーキテクチャであるCircuITSを提案する。 我々のモデルは、有効な関節分布を構造的に保証しつつ、時系列チャンネル間の複雑な依存関係を捉えるのに柔軟である。
  論文  参考訳（メタデータ） (2026-04-30T12:57:53Z)
• Hybrid Hidden Markov Model for Modeling Equity Excess Growth Rate Dynamics: A Discrete-State Approach with Jump-Diffusion [0.0]
  パラメトリックモデルから深層生成ネットワークへの既存のアプローチは、重み付き分布、無視可能な線形自己相関、永続的なボラティリティクラスタリングを同時に再現するのに苦労している。 本稿では,連続的過剰成長率をLaplacequantile-defined market stateに離散化するハイブリッド隠れマルコフフレームワークを提案する。 パラメータは直接遷移カウントによって推定され、Baum-Welch EMアルゴリズムをバイパスする。
  論文  参考訳（メタデータ） (2026-03-10T20:06:53Z)
• Mitigating Reward Hacking in RLHF via Bayesian Non-negative Reward Modeling [49.41422138354821]
  非負の因子分析をBradley-Terry選好モデルに統合する原理的報酬モデリングフレームワークを提案する。 BNRMは、スパースで非負の潜在因子生成過程を通じて報酬を表す。 BNRMは報酬の過度な最適化を著しく軽減し、分布シフトによるロバスト性を改善し、強いベースラインよりも解釈可能な報酬分解をもたらすことを示す。
  論文  参考訳（メタデータ） (2026-02-11T08:14:11Z)
• Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
  我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。 この設定では、一般化されたクロスバリデーション推定器(GCV)がサンプル外リスクを正確に予測できないことを示す。 さらに、テストポイントがトレーニングセットと非自明な相関を持つ場合、時系列予測でしばしば発生する設定にまで分析を拡張します。
  論文  参考訳（メタデータ） (2024-08-08T17:27:29Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。