論文の概要: Generative Predictive Distributions for Time Series

• arxiv url: http://arxiv.org/abs/2606.16773v1
• Date: Mon, 15 Jun 2026 14:20:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.612361
• Title: Generative Predictive Distributions for Time Series
• Title（参考訳）: 時系列における生成的予測分布
• Authors: Jordi Llorens-Terrazas, Mika Meitz,
• Abstract要約: 非線形, 多変量時系列の予測分布をモデル化するためのフレキシブルなフレームワークを提案する。 提案手法は,測度理論的確率から得られた民俗的結果に基づく,適切な生成表現における一般的な予測分布を表現する。 本研究では,この生成表現を条件付き生成逆数ネットワークのバージョンを用いて推定し,時間依存性の弱い推定の形式的統計的解析を行う。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a flexible framework for modeling the predictive distributions of nonlinear, possibly multivariate time series. Our approach expresses a general predictive distribution in an appropriate generative representation that is based on a folklore result from measure theoretic probability. This representation provides a direct simulation-based approximation to the predictive distribution, enabling straightforward computation of forecasts for the conditional mean and variance, fan charts, value at risk, expected shortfall, joint tail risks, and other quantities of interest. We estimate this generative representation using a version of conditional generative adversarial networks and provide a formal statistical analysis of estimation under weak temporal dependence. Specifically, estimation is expressed as a particular minimax problem and we establish consistency of its approximate solutions in Hausdorff distance. The empirical relevance of the approach is illustrated using applications to equity returns, realized variance, and realized covariances. The proposed method is also computationally manageable, with estimation in our applications taking approximately one minute on a standard laptop.
• Abstract（参考訳）: 非線形, 多変量時系列の予測分布をモデル化するためのフレキシブルなフレームワークを提案する。 提案手法は,測度理論的確率から得られた民俗的結果に基づく,適切な生成表現における一般的な予測分布を表現する。 この表現は、予測分布に対する直接シミュレーションに基づく近似を提供し、条件平均と分散の予測の簡単な計算、ファンチャート、リスクの値、予測不足、共同テールリスク、その他の量の関心事を可能にする。 本研究では,この生成表現を条件付き生成逆数ネットワークのバージョンを用いて推定し,時間依存性の弱い推定の形式的統計的解析を行う。 具体的には、推定は特定のミニマックス問題として表現され、ハウスドルフ距離における近似解の整合性を確立する。 このアプローチの実証的関連性は、エクイティリターン、分散の実現、共分散の実現に応用して説明される。 提案手法は計算処理も可能で,本アプリケーションでは標準ラップトップで約1分を要する。

関連論文リスト

• ProbRes: Volatility Learning for Probabilistic Time-Series Forecasting [36.955187340949855]
  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。
  論文  参考訳（メタデータ） (2026-06-01T11:49:03Z)
• 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)
• 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)
• Continuous and Distribution-free Probabilistic Wind Power Forecasting: A Conditional Normalizing Flow Approach [1.684864188596015]
  条件正規化フロー(CNF)に基づく確率的風力予測のためのデータ駆動型手法を提案する。 既存の手法とは対照的に、このアプローチは(非パラメトリックおよび量子的アプローチのように)分布自由であり、連続確率密度を直接生成することができる。
  論文  参考訳（メタデータ） (2022-06-06T08:48:58Z)
• Learning Structured Gaussians to Approximate Deep Ensembles [10.055143995729415]
  本稿では,スパース構造多変量ガウシアンを用いて,高密度画像予測タスクのための閉形式近似器を提案する。 正規分布における予測の不確かさと構造的相関を、サンプリング単独で暗黙的にではなく、明示的に捉える。 単分子深度推定におけるアプローチの利点を実証し,本手法の利点が同等の定量的性能で得られることを示す。
  論文  参考訳（メタデータ） (2022-03-29T12:34:43Z)
• Probabilistic Forecasting with Generative Networks via Scoring Rule Minimization [5.5643498845134545]
  生成ニューラルネットワークを用いて高次元空間上の分布をパラメトリズする。 生成ネットワークをトレーニングし、関心の現象の時間的シーケンスの記録に基づいて、予測順序(または前順序)のスコアリングルールを最小化する。 本手法は,特に確率的キャリブレーションにおいて,最先端の対角法よりも優れている。
  論文  参考訳（メタデータ） (2021-12-15T15:51:12Z)
• Probabilistic Time Series Forecasting with Implicit Quantile Networks [0.7249731529275341]
  自己回帰的リカレントニューラルネットワークとインプリシット量子ネットワークを併用して、時系列ターゲット上の大規模な分布を学習する。 提案手法は, 時間分布の推定だけでなく, ポイントワイズ予測精度の観点からも好適である。
  論文  参考訳（メタデータ） (2021-07-08T10:37:24Z)
• 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。