論文の概要: Nonlinear and Heavy-Tailed Predictability in Transition-Energy Financial Markets
- arxiv url: http://arxiv.org/abs/2605.26890v1
- Date: Tue, 26 May 2026 11:52:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-27 17:51:41.984815
- Title: Nonlinear and Heavy-Tailed Predictability in Transition-Energy Financial Markets
- Title（参考訳）: 遷移エネルギー金融市場における非線形および重心予測可能性
- Authors: Kpante Emmanuel Gnandi, Fredy Pokou, Jules Sadefo Kamdem,
- Abstract要約: 本稿では,遷移関連金融リターンが非線形予測可能性を示すかどうかを考察する。
本研究では,学生ベクトルオートレグレッションと非線形再帰学習アーキテクチャを組み合わせたハイブリッド予測フレームワークを開発した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Transition-related financial markets are increasingly exposed to abrupt repricing episodes, elevated volatility, and heterogeneous macro-financial shocks. Under such conditions, conventional Gaussian-linear forecasting frameworks may provide an incomplete representation of the dependence structure linking fossil-energy, renewable-energy, technology, and utility-sector assets. This paper investigates whether transition-related financial returns exhibit residual non-linear predictability after controlling for heavy-tailed multivariate linear dynamics. To address this question, we develop a hybrid forecasting framework combining Student-t Vector Autoregressions with nonlinear recurrent residual learning architectures. The empirical analysis considers six major exchange-traded funds representing broad equity markets and key transition-sensitive sectors. The results reveal substantial departures from Gaussian-linear behavior, including excess kurtosis, volatility clustering, and remaining nonlinear dependence after econometric filtering. Out-of-sample forecasting experiments show that the proposed framework consistently improves predictive accuracy relative to conventional VAR models, standalone machine-learning methods, and alternative hybrid specifications. The forecasting gains become more pronounced during periods of macro-financial stress, particularly during the COVID-19 crisis and the Ukraine-related energy shock. Overall, the findings suggest that transition-related financial systems exhibit regime-sensitive and heavy-tailed predictive dynamics that are insufficiently captured by standard Gaussian-linear models alone.
- Abstract（参考訳）: 移行関連金融市場は、急激な景気後退、ボラティリティの上昇、および不均一なマクロ・ファイナンシャル・ショックにさらされている。
このような条件下では、従来のガウス線形予測フレームワークは、化石エネルギー、再生可能エネルギー、技術、実用セクター資産をリンクする依存構造の不完全な表現を提供する可能性がある。
本稿では,重み付き多変量線形力学の制御後,遷移関連金融リターンが残留非線形予測可能性を示すか否かを考察する。
そこで本研究では,学生ベクトル自動回帰と非線形再帰学習アーキテクチャを組み合わせたハイブリッド予測フレームワークを開発した。
経験的分析では、幅広い株式市場と重要なトランジッション・センシティブ・セクターを代表する6つの主要な為替トレーディング・ファンドについて考察している。
その結果, 余剰カルトシス, 揮発性クラスタリング, エコノメトリフィルタリング後の非線形依存性など, ガウス-線形挙動からかなり逸脱したことが明らかとなった。
サンプル外予測実験により、提案フレームワークは従来のVARモデルやスタンドアロンの機械学習手法、代替のハイブリッド仕様と比較して予測精度を一貫して向上することが示された。
マクロ・フィナンシャル・ストレスの期間、特に新型コロナウイルス(COVID-19)危機やウクライナ関連のエネルギーショックの期間に、予想の上昇がより顕著になる。
概して、移行関連金融システムは、標準ガウス線形モデルだけでは不十分な、体制に敏感で重尾の予測力学を示すことが示唆されている。
関連論文リスト
- Yield Curves Dynamics Using Variational Autoencoders Under No-arbitrage [0.0]
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。
論文 参考訳（メタデータ） (2026-05-12T21:21:25Z) - Regression Models Meet Foundation Models: A Hybrid-AI Approach to Practical Electricity Price Forecasting [39.91788164419845]
回帰に基づく予測を強化する新しいパラダイムであるFutureBoostingを提案する。
私たちはこのパラダイムを、電力価格予測のための軽量でプラグアンドプレイのフレームワークにインスタンス化します。
我々のフレームワークは、最先端のTSFMとレグレッションベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2026-03-06T02:06:46Z) - KoopGen: Koopman Generator Networks for Representing and Predicting Dynamical Systems with Continuous Spectra [65.11254608352982]
生成元をベースとしたニューラル・クープマン・フレームワークを導入し,構造的かつ状態に依存したクープマン・ジェネレータの表現を通じて動的にモデル化する。
固有のカルテス分解をスキュー結合および自己結合成分に利用することにより、KoopGenは可逆的な散逸から保守的な輸送を分離する。
論文 参考訳（メタデータ） (2026-02-15T06:32:23Z) - Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。
既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。
我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
論文 参考訳（メタデータ） (2026-02-11T02:00:25Z) - Physics-Informed Singular-Value Learning for Cross-Covariances Forecasting in Financial Markets [0.0]
我々は,経験的特異値から対応する清浄値への非線形マッピングを学習するランダム行列に着想を得たニューラルネットワークを設計する。
構築により、ネットワークは特別なケースとして解析解を復元できるが、非定常力学やモード駆動歪みに適応できるほど柔軟である。
論文 参考訳（メタデータ） (2026-01-12T16:18:08Z) - Bridging the Gap Between Bayesian Deep Learning and Ensemble Weather Forecasts [100.26854618129039]
天気予報は、大気のカオス的な性質によって根本的に挑戦されている。
ベイジアンディープラーニング(BDL)の最近の進歩は、有望だがしばしば非接続な代替手段を提供する。
気象予報のための統合型BDLフレームワークにより,これらのパラダイムを橋渡しする。
論文 参考訳（メタデータ） (2025-11-18T07:49:52Z) - PREIG: Physics-informed and Reinforcement-driven Interpretable GRU for Commodity Demand Forecasting [27.542312745632458]
PreIGは、商品需要予測に適した新しいディープラーニングフレームワークである。
このモデルは、Gated Recurrent Unit(GRU)アーキテクチャを物理インフォームドニューラルネットワーク(PINN)の原則と一意に統合する。
論文 参考訳（メタデータ） (2025-07-29T11:38:07Z) - Time-varying Factor Augmented Vector Autoregression with Grouped Sparse Autoencoder [4.769637827387851]
本稿では、Spyke-and-Slab Lassoを前に採用したGrouped Sparseオートエンコーダを紹介する。
時間変化パラメータをVARコンポーネントに組み込んで、進化する経済力学をよりよく捉えます。
我々の米国経済への実証的な応用は、グループスパースオートエンコーダがより解釈可能な要素を生み出すことを示す。
論文 参考訳（メタデータ） (2025-03-06T12:37:55Z) - A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。
後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。
実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
論文 参考訳（メタデータ） (2024-02-26T04:39:01Z) - Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics
in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。
最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。
予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文 参考訳（メタデータ） (2022-03-07T18:59:54Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z)
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。