論文の概要: FinStressTS: A Parametric Synthetic Benchmark for Time-Series Forecasting in Finance

• arxiv url: http://arxiv.org/abs/2606.03184v1
• Date: Tue, 02 Jun 2026 05:41:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.784537
• Title: FinStressTS: A Parametric Synthetic Benchmark for Time-Series Forecasting in Finance
• Title（参考訳）: FinStressTS: ファイナンスにおける時系列予測のためのパラメトリック合成ベンチマーク
• Authors: Jiaze Sun, Kelvin J. L. Koa, Ruiyang Ni, Yize Liu, Haonan Chen, Ke-Wei Huang,
• Abstract要約: FinStressTSは、モデル動作と制御された構造的原因をリンクするメカニズム対応のベンチマークである。 信号対雑音比の低さ、潜伏要因、重尾、政権交代、跳躍など、財務予測は困難である。
• 参考スコア（独自算出の注目度）: 3.5492452247462185
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Financial forecasting is difficult due to low signal-to-noise ratios, latent factors, heavy tails, regime shifts, and jumps. Real-world benchmarks offer limited failure attribution: researchers can observe underperformance, but often cannot isolate why because mechanisms are unobservable and entangled. Real financial data reveal only one realized path, making it difficult to assess tail-risk calibration or data efficiency. We introduce FinStressTS, a mechanism-aware synthetic benchmark that links model behavior to controlled structural causes. FinStressTS comprises 30 diagnostic environments around six mechanism families: volatility clustering, multi-scale persistence, heavy-tailed shocks, regime switching, self-exciting jumps, and zero-inflated processes. We evaluate two tasks: point forecasting, using NMAE across five settings, and probabilistic forecasting, using CRPS under known data-generating mechanisms. We benchmark 15 models, from classical methods (HAR, VAR) to Transformer forecasters (PatchTST, iTransformer) and deep probabilistic architectures (DeepAR, TSFlow), and use learning curves to measure sample efficiency. Our evaluation reveals three insights. First, performance is mechanism-dependent: autoregressive and linear models are highly competitive, and often outperform Transformer-based models, in several volatility-, tail-, and jump-driven environments. Second, distributional alignment matters: parametric probabilistic models such as DeepAR calibrate well in stationary settings, while flexible models can help when distributions become multimodal or sparse. Third, neural models often require more data to match simple baselines, with larger gains mainly when learning latent regimes or complex distributions. FinStressTS provides an open framework for diagnosing failure modes and advancing risk-aware forecasting.
• Abstract（参考訳）: 信号対雑音比の低さ、潜伏要因、重尾、政権交代、跳躍など、財務予測は困難である。 研究者は低パフォーマンスを観察できるが、メカニズムが観測不能で絡み合っているため、その理由を分離できないことが多い。 実際の財務データは、実現された道の1つしか示さず、テールリスクの校正やデータの効率を評価するのが困難である。 モデル動作と制御された構造的原因をリンクする機構を意識した総合ベンチマークであるFinStressTSを紹介する。 FinStressTSは、ボラティリティクラスタリング、マルチスケール永続性、ヘビーテールショック、レシエーションスイッチング、セルフエキサイティングジャンプ、ゼロインフレーションプロセスという、6つのメカニズムファミリの30の診断環境で構成されている。 我々は5つの設定にNMAEを用いた点予測と、既知のデータ生成機構の下でCRPSを用いた確率予測という2つのタスクを評価する。 我々は古典的手法(HAR, VAR)からトランスフォーマー予測器(PatchTST, iTransformer)、深層確率的アーキテクチャ(DeepAR, TSFlow)まで15のモデルをベンチマークし、サンプル効率を測定するために学習曲線を使用する。 私たちの評価では3つの洞察が浮かび上がっています。 自動回帰モデルと線形モデルは競争力が高く、しばしばトランスフォーマーベースのモデルより優れており、ボラティリティ、テール、ジャンプ駆動の環境がいくつかある。 第二に、分散アライメントが重要である: DeepARのようなパラメトリック確率モデルが定常的な設定でうまく調整され、フレキシブルモデルは分散がマルチモーダルまたはスパースになるのに役立つ。 第三に、ニューラルネットワークモデルは、単純なベースラインに合わせるためにより多くのデータを必要とする場合が多い。 FinStressTSは、障害モードの診断とリスク認識予測の進歩のためのオープンフレームワークを提供する。

関連論文リスト

• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• Synthetic Financial Data Generation for Enhanced Financial Modelling [0.0]
  本稿では,合成財務データのための統合型マルチ基準評価フレームワークを提案する。 過去のSとP500の日次データを用いて、下流タスクにおける忠実度(最大平均離散性、MD)、時間構造(自己相関とボラティリティクラスタリング)、実用性を評価する。 アプリケーションのニーズや計算制約に応じて生成モデルを選択するための実践的ガイドラインを明確に述べる。
  論文  参考訳（メタデータ） (2025-12-25T21:43:16Z)
• Robust Probabilistic Load Forecasting for a Single Household: A Comparative Study from SARIMA to Transformers on the REFIT Dataset [0.0]
  本稿では,揮発性REFIT家庭データセットを用いた課題に取り組む。 まず、季節計算法を選択するための厳密な比較実験を行うことで、この問題に対処する。 そして、古典的なベースラインから機械学習へと進化するモデル階層を体系的に評価する。 我々の研究結果によると、古典的なモデルはデータの非線形でシステマティックな振る舞いを捉えるのに失敗している。
  論文  参考訳（メタデータ） (2025-11-30T12:05:18Z)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• Beyond Model Ranking: Predictability-Aligned Evaluation for Time Series Forecasting [18.018179328110048]
  スペクトルコヒーレンスに基づく予測可能性整合診断フレームワークを提案する。 予測可能性ドリフト(predictability drift, 予測可能性ドリフト)の最初の体系的な証拠として, タスクの予測困難度が時間とともに急激に変化することを示す。 複雑なモデルは予測可能性の低いデータより優れているのに対し、線形モデルは予測可能なタスクに非常に効果的である。
  論文  参考訳（メタデータ） (2025-09-27T02:56:06Z)
• T3Time: Tri-Modal Time Series Forecasting via Adaptive Multi-Head Alignment and Residual Fusion [0.4915744683251151]
  T3Timeは、時間、スペクトル、プロンプトブランチで構成される新しい3モーダルフレームワークである。 予測地平線に基づいて時間的特徴とスペクトル的特徴の優先順位付けを学習する。 我々のモデルは一貫して最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-08-06T09:31:44Z)
• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散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） (2025-06-24T21:44:31Z)
• XRMDN: An Extended Recurrent Mixture Density Network for Short-Term Probabilistic Rider Demand Forecasting with High Volatility [16.047461063459846]
  本稿では,XRMDN (Extended Recurrent Mixture Density Network) を提案する。 XRMDNは需要動向を順応的に捉え、特に高ボラティリティシナリオにおいて予測精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-10-15T14:18:42Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
  3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。 パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T12:43:12Z)

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。