論文の概要: ProbRes: Volatility Learning for Probabilistic Time-Series Forecasting

• arxiv url: http://arxiv.org/abs/2606.02117v1
• Date: Mon, 01 Jun 2026 11:49:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:31.898952
• Title: ProbRes: Volatility Learning for Probabilistic Time-Series Forecasting
• Title（参考訳）: ProbRes: 確率論的時系列予測のためのボラティリティ学習
• Authors: Tingting Wang, Yunyi Zhang, Benyou Wang,
• Abstract要約: 本稿では,確率予測にボラティリティのダイナミクスを明示的に学習し,組み込んだポストホック確率キャリブレーション手法ProbResを提案する。 ProbResは正確に予測分布をキャプチャし、よく校正された予測間隔を生成する。
• 参考スコア（独自算出の注目度）: 36.955187340949855
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Probabilistic time series forecasting has attracted increasing attention in financial applications due to the need to quantify risk and uncertainty in future observations. We propose ProbRes, a post-hoc probabilistic calibration method that explicitly learns and incorporates volatility dynamics into probabilistic forecasting, enabling effective handling of heteroskedastic data. During training, ProbRes employs two architecture-agnostic modules to separately model the conditional mean and conditional volatility. At the inference stage, it generates predictive distributions by resampling normalized residuals. ProbRes is applicable to both univariate and multivariate time series and remains robust under a wide range of error distributions, including non-Gaussian innovations with conditional heteroskedasticity. Theoretical results demonstrate ProbRes's validity and experiments on both synthetic and real-world datasets show that ProbRes accurately captures predictive distributions and produces well-calibrated prediction intervals.
• Abstract（参考訳）: 確率的時系列予測は、将来の観測におけるリスクと不確実性を定量化する必要があるため、金融アプリケーションに注目が集まっている。 本稿では,確率予測にボラティリティのダイナミクスを明示的に学習し,組み込んだポストホック確率キャリブレーション手法ProbResを提案する。 トレーニング中、ProbResは2つのアーキテクチャに依存しないモジュールを使用して、条件平均と条件ボラティリティを個別にモデル化する。 推測段階では、正規化された残基を再サンプリングすることで予測分布を生成する。 ProbResは単変量級数と多変量級数級数の両方に適用でき、条件付きヘテロスケダスティック性を持つ非ガウス的革新を含む幅広い誤差分布の下では頑健である。 理論的な結果は、ProbResの合成と実世界の両方のデータセットに対する妥当性と実験が、ProbResが正確に予測分布をキャプチャし、よく校正された予測間隔を生成することを示している。

関連論文リスト

• Improved probabilistic regression using diffusion models [16.918373481904755]
  本研究では,予測分布を非可逆的に学習する確率回帰のための拡散に基づく新しいフレームワークを提案する。 雑音のパラメータ化について検討し,そのトレードオフを解析し,その枠組みを広範囲の回帰タスクで評価する。 いくつかの実験において、本手法は既存のベースラインに対して優れた性能を示し、キャリブレーションされた不確実性推定を提供する。
  論文  参考訳（メタデータ） (2025-10-06T08:36:05Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• Invariant Probabilistic Prediction [45.90606906307022]
  任意の分布シフトは、一般に不変かつ頑健な確率的予測を認めないことを示す。 Invariant probabilistic predictions called IPP, and study the consistency of the underlying parameters。
  論文  参考訳（メタデータ） (2023-09-18T18:50:24Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• 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。