論文の概要: ReSGA: A Large Tail Risk Model for Learning Value-at-Risk and Expected Shortfall

• arxiv url: http://arxiv.org/abs/2606.04576v1
• Date: Wed, 03 Jun 2026 08:11:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.620506
• Title: ReSGA: A Large Tail Risk Model for Learning Value-at-Risk and Expected Shortfall
• Title（参考訳）: ReSGA: バリュー・アット・タスクの学習と不足を期待する大規模タイルリスクモデル
• Authors: Yichi Zhang, Ke Zhu, Zhoufan Zhu,
• Abstract要約: 本稿では,資産の豊富な断面積依存性と長期時間的ダイナミクスを活用するために,検索強化自己グループオートエンコーダ(ReSGA)を提案する。 ReSGAは、1926年から2023年までの米国株式の毎月のリターンに153の堅実な特性で適用される。
• 参考スコア（独自算出の注目度）: 18.057073658552458
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Learning Value-at-Risk (VaR) and Expected Shortfall (ES) is important for managing financial risks effectively. Existing approaches with limited parameters are vulnerable to model misspecification in the era of big data. To address this limitation, we propose a large tail risk model, the retrieval-enhanced self-grouping autoencoder (ReSGA), which is designed with millions of parameters to exploit the rich cross-sectional dependence and long-term temporal dynamics of assets using their characteristics. Applied to monthly US equity returns from 1926 to 2023 with 153 firm characteristics, ReSGA outperforms twelve econometric and machine learning competitors in terms of out-of-sample loss and statistical backtesting. In addition, its forecast advantages can translate into significant economic gains from long-short decile portfolios that are constructed by a new size-enhanced left-side momentum strategy. To clarify the role of complexity, we further conduct a systematic scaling analysis and demonstrate that improvements in joint VaR-ES forecasting are primarily driven by data complexity rather than model complexity. Finally, our analyses of group-importance and transfer-learning exhibit the interpretability and cross-market generalizability of ReSGA.
• Abstract（参考訳）: 金融リスクを効果的に管理するためには,バリュー・アット・リスク(VaR)と期待不足(ES)の学習が重要である。 パラメータが限られている既存のアプローチは、ビッグデータの時代において、誤特定をモデル化するのに脆弱である。 この制限に対処するため,検索強化型自己グループオートエンコーダ (ReSGA) を提案する。 1926年から2023年までの毎月の米国株式のリターンに153の堅実な特徴があるが、ReSGAは、アウト・オブ・サンプル・ロスと統計的バックテストの点で、12のエコノメトリと機械学習のライバルを上回っている。 さらに、その予測上の優位性は、新しいサイズの強化された左方運動量戦略によって構築された長短の十進法ポートフォリオから大きな経済的な利益をもたらす可能性がある。 複雑化の役割を明らかにするため,我々はさらに系統的なスケーリング分析を行い,VaR-ES共同予測の改善は,モデル複雑性よりもデータ複雑性に起因していることを示す。 最後に,グループ重要度とトランスファーラーニングの分析から,ReSGAの解釈可能性と市場間一般化性を示した。

関連論文リスト

• Enhancing a Risk Model by Adding Transient Statistical Factors [90.40844650665713]
  資産収益の推定は、金融ポートフォリオの構築と評価の鍵となる要素である。 既存の因子モデルを強化するために,最大推定値に基づく体系的手法を提案する。 提案した拡張は,元のモデルに欠落したリターンの構造をキャプチャすることを示す。
  論文  参考訳（メタデータ） (2026-05-13T04:15:24Z)
• Dependency Network-Based Portfolio Design with Forecasting and VaR Constraints [8.107171581224312]
  本研究では,統計的ソーシャルネットワーク分析と時系列予測とリスク管理を統合したポートフォリオ最適化フレームワークを提案する。 S&P500(2020-2024)の毎日の株価データを用いて、Vector Autoregression(VAR)とForecast Error Variance Decomposition(FEVD)を介して依存ネットワークを構築します。 FEVDは、VARの予測誤差のばらつきを分解し、各株価のショックが、我々のネットワークにおいて影響ベースのエッジ重みを形成するために反転する他の不確実性情報にどれだけ寄与するかを定量化する。 リスク・アット・リスク(リスク・アット・リスク)に基づいて資本を割り当てた、トップランクの株式を使って動的ポートフォリオを構築する。
  論文  参考訳（メタデータ） (2025-07-26T18:53:39Z)
• Overparametrized models with posterior drift [0.0]
  本稿では,過度にパラメータ化された機械学習モデルにおいて,後方ドリフトがサンプル外予測精度に与える影響について検討する。 平均的な投資家にとって、15年間の持株期間に焦点を合わせると、非常に異質なリターンが得られます。 全体として、当社の調査結果は、株式市場の予測のために大規模な線形モデルを利用する場合、慎重さを推奨する傾向にある。
  論文  参考訳（メタデータ） (2025-06-30T08:31:15Z)
• Multi-Agent Stock Prediction Systems: Machine Learning Models, Simulations, and Real-Time Trading Strategies [0.0]
  本稿では、機械学習(ML)とディープラーニング(DL)技術を活用して、株価予測の総合的な研究を行い、財務予測精度を向上する。 本研究は,Long Short-Term Memory (LSTM) Network, Gated Recurrent Units (GRU)など,様々なリカレントニューラルネットワーク(RNN)アーキテクチャの性能を評価する。 その結果,注意に基づくモデルは他のアーキテクチャよりも優れており,短期的・長期的両方の依存関係を捉えることで高い精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2025-02-21T06:36:16Z)
• On the Diminishing Returns of Complex Robust RAG Training in the Era of Powerful LLMs [85.688901949146]
  複雑な堅牢なトレーニング手法の利点は、言語モデルがより強力になるにつれて減少するのだろうか? モデルキャパシティが増大するにつれて、高度なトレーニング戦略の限界ロバスト性利益は大幅に減少する。 さらなる調査により、より強力なモデルは、単純な訓練体制下であっても、より優れた信頼性キャリブレーション、クロスデータセットの一般化能力、より効果的な注意パターンを自然に示すことが示される。
  論文  参考訳（メタデータ） (2025-02-17T03:34:31Z)
• Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
  SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。 データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
  論文  参考訳（メタデータ） (2024-11-30T10:56:30Z)
• Semi-Supervised Reward Modeling via Iterative Self-Training [52.48668920483908]
  本稿では,未ラベルデータを用いたRMトレーニングを強化する手法であるSemi-Supervised Reward Modeling (SSRM)を提案する。 SSRMは、追加のラベリングコストを発生させることなく、報酬モデルを大幅に改善することを示した。 全体として、SSRMは、人間が注釈付けした大量のデータへの依存を大幅に減らし、効果的な報酬モデルのトレーニングに要する全体的なコストと時間を削減する。
  論文  参考訳（メタデータ） (2024-09-10T22:57:58Z)
• Application of Deep Learning for Factor Timing in Asset Management [21.212548040046133]
  より柔軟なモデルは、目に見えない期間の係数プレミアムのばらつきを説明するのにより良いパフォーマンスを持つ。 ニューラルネットワークのような柔軟なモデルでは、予測に基づく最適な重み付けは不安定である傾向がある。 我々は、過去の最適再バランス方式によるリバランス頻度の傾きが、取引コストの削減に役立つことを検証した。
  論文  参考訳（メタデータ） (2024-04-27T21:57:17Z)
• Financial Time-Series Forecasting: Towards Synergizing Performance And Interpretability Within a Hybrid Machine Learning Approach [2.0213537170294793]
  本稿では、ハイブリッド機械学習アルゴリズムの比較研究を行い、モデル解釈可能性の向上に活用する。 本稿では,金融時系列予測において出現する潜伏関係や複雑なパターンの発掘を目的とした,分解,自己相関関数,指数的三重予測など,時系列統計の事前処理技術に関する体系的な概要を述べる。
  論文  参考訳（メタデータ） (2023-12-31T16:38:32Z)

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。