論文の概要: Beyond the Smile: A Hybrid Convolutional VAE for Crypto Volatility Surfaces

• arxiv url: http://arxiv.org/abs/2606.16961v1
• Date: Mon, 15 Jun 2026 17:01:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 18:36:05.083255
• Title: Beyond the Smile: A Hybrid Convolutional VAE for Crypto Volatility Surfaces
• Title（参考訳）: 暗号の揮発性表面のためのハイブリッドコンボリューションVAE(動画あり)
• Authors: Sadanand Singh, Allam Reddy, Manan Chopra,
• Abstract要約: 本稿では,展開可能な予測器とともに,インプリア・ボラティリティ曲面に対する畳み込み変分オートエンコーダを提案する。 2023年5月から10月にかけて、BTCとETHの6,034時間のフルフィルのオプション表面で訓練された。 ハイブリッド予測器は、追加の推論コストを伴わずに得られる8倍縮小の7.00に対して、50%のマスキングで0.83ボルポイントを得る。
• 参考スコア（独自算出の注目度）: 3.77661940418406
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present a convolutional variational autoencoder for cryptocurrency implied-volatility surfaces, together with a deployable predictor that combines it with a quadratic smile re-fit through a deterministic per-tenor routing rule. Trained on 6,034 fully-filled hourly Binance Options surfaces of BTC and ETH spanning May-October 2023 and parameterised on a common $6 \times 7$ tenor-delta grid, the model attains a hidden-cell surface-completion RMSE in the 0.94-1.56 vol-point range across both markets and mask rates 10-50%. The hybrid predictor attains 0.83 vol points at 50% masking against 7.00 for the smile re-fit alone, an eightfold reduction obtained at no additional inference cost. Under structurally-correlated hole patterns that emulate the withdrawal of an entire tenor of strikes, the smile re-fit incurs 9.6-13.1 vol points of error while the learned model remains at 1.5-1.9, isolating a regime in which the generative model is the only viable predictor. Joint training on BTC and ETH improves the in-distribution model on both markets by 9-27% relative to the better-performing single-symbol counterpart, indicating a substantially shared vol-surface manifold across the two largest cryptocurrencies over the observation window. The hybrid is calendar- and butterfly-arbitrage-free at the listed strikes, a property that the parametric smile re-fit alone fails at high mask rates. The per-snapshot reconstruction error of the trained model flags the late-October ETF-anticipation rally and the August $17$, $2023$ flash crash as elevated-error periods without supervision. All training and evaluation infrastructure is released to support reproducible follow-on work.
• Abstract（参考訳）: 本稿では,暗号通貨のインプリッド・ボラティリティ表面に対する畳み込み変分オートエンコーダと,それと2次スマイル再適合とを組み合わせた展開可能な予測器を提案する。 2023年5月から10月にかけてのBTCとETHの6,034時間の完全満載のBinance Options表面で訓練され、共通の6ドル7ドル10ナーデルタグリッドでパラメータ化され、両方の市場における0.94-1.56のVol-point範囲とマスクレート10-50%の隠れセル表面補完RMSEが達成された。 ハイブリッド予測器は、追加の推論コストを伴わずに得られる8倍縮小の7.00に対して、50%のマスキングで0.83ボルポイントを得る。 ストライクのテナー全体の離脱をエミュレートする構造的に相関したホールパターンの下では、スマイルリフィットは9.6-13.1のエラー点を発生させ、学習されたモデルは1.5-1.9に留まり、生成モデルが唯一実行可能な予測子である体制を分離する。 BTCとETHの合同トレーニングは、より優れたパフォーマンスのシングルシンボルと比較して、両方の市場での分配モデルを9～27%改善し、観測窓の上の2つの大きな暗号通貨間で実質的に共有されたボルサイト多様体を示している。 このハイブリッドは、リストアップされたストライクにおいて、カレンダとバタフライのアービタージュフリーであり、パラメトリックのスマイルが単独でマスクレートで失敗する特性である。 訓練されたモデルフラグのスナップショット毎の復元エラーは、10月下旬のETF予想の上昇と、8月17ドル、2023ドルというフラッシュクラッシュを監視なしの高水準エラー期間として引き起こした。 すべてのトレーニングと評価インフラストラクチャがリリースされ、再現可能なフォローオン作業をサポートする。

関連論文リスト

• MARBLE: Multi-Aspect Reward Balance for Diffusion RL [71.6241143519038]
  強化学習は、拡散モデルと人間の嗜好を整合させる主要なアプローチとなっている。 既存のプラクティスは、報酬ごとに1つのスペシャリストモデルをトレーニングすることで、複数の報酬を処理します。 我々は,各報酬に対する独立な優位推定器を維持する勾配空間最適化フレームワークMARBLEを提案する。
  論文  参考訳（メタデータ） (2026-05-07T16:20:42Z)
• Machine Learning and Deep Learning Models for Short Term Electricity Price Forecasting in Australia's National Electricity Market [3.299203499767714]
  競争力のある電力市場では短期的な電力価格予測が不可欠である。 しかし、電気価格シリーズは高いボラティリティ、不規則性、非定常性を示す。 本研究は,これらの課題に対処する統一ベンチマークフレームワークを開発する。
  論文  参考訳（メタデータ） (2026-04-26T22:57:39Z)
• FIPO: Eliciting Deep Reasoning with Future-KL Influenced Policy Optimization [84.58281577727566]
  本稿では,大規模言語モデルにおける推論ボトルネックを克服する強化学習アルゴリズムであるFuture-KL Influenced Policy Optimization (FIPO)を提案する。 FIPOは、割引先KLの分岐をポリシー更新に組み込むことでこの問題に対処し、その後の軌道行動への影響に基づいてトークンを再重み付けする密集した有利な定式化を作成する。 Qwen2.5-32Bで評価され、FIPOは平均チェーン長を約4,000から10,000以上のトークンに拡張し、AIME 2024 Pass@1の精度を50.0%から58.0%に向上させた。
  論文  参考訳（メタデータ） (2026-03-20T10:24:50Z)
• Expert System for Bitcoin Forecasting: Integrating Global Liquidity via TimeXer Transformers [0.0]
  本稿では,Global M2 Liquidityを12週間のラグ構造を持つ先行変数として統合することにより,重要なギャップを解消する。 TimeXerアーキテクチャを用いて、流動性条件付き予測モデル(TimeXer-Exog)と最先端ベンチマークを比較した。 2020年1月から2025年8月までの1日当たりのBitcoin価格データに関する実験では、明示的なマクロ経済条件が長期の予測を大幅に安定させることを示した。
  論文  参考訳（メタデータ） (2025-12-26T15:36:04Z)
• Squeeze the Soaked Sponge: Efficient Off-policy Reinforcement Finetuning for Large Language Model [56.92219181993453]
  本稿では,PPOやGRPOなどのオンラインRFT手法をオフ・ポリティクスデータに活用するために,Reincarnating Mix-policy Proximal Policy Gradient (ReMix)を提案する。 ReMix は,(1) 効率的なトレーニングのための更新データ(UTD)比が増大した混成政策勾配,(2) 安定性と柔軟性のトレードオフのバランスをとるためのKL-Convex 政策制約,(3) 効率的な早期学習から安定した改善へのシームレスな移行を実現するための政策再編成の3つの主要な構成要素から構成される。
  論文  参考訳（メタデータ） (2025-07-09T14:29:45Z)
• Outcome-based Reinforcement Learning to Predict the Future [1.4313866885019229]
  コンパクトな(14B)推論モデルは、o1のようなフロンティアモデルの予測精度に適合または超えるように訓練可能であることを示す。 ポリマーケットのトレーディングシミュレーションでは、その賭けが10%以上の投資のリターンをもたらすと見積もっている。
  論文  参考訳（メタデータ） (2025-05-23T14:56:07Z)
• Forecasting Cryptocurrency Staking Rewards [10.881043599455591]
  ETH取得報酬は、それぞれ1日平均値の0.7%と1.1%のRMSEで予測できる。 我々は、SOL、XTZ、ATOM、MATICなど、さまざまな暗号通貨の様々な予測精度を識別する。
  論文  参考訳（メタデータ） (2024-01-16T21:09:39Z)
• Combining Deep Learning and GARCH Models for Financial Volatility and Risk Forecasting [0.0]
  我々は,一般的な計量的GARCH時系列モデルとディープラーニングニューラルネットワークを組み合わせることで,金融商品のボラティリティとリスクを予測するハイブリッドアプローチを開発した。 一方,GARCHは標準GARCH,EGARCH,GJR-GARCH,APARCHの4つの仕様が採用されている。 モデルは、S&P500指数の日替わりの対数リターンと、金価格のBitcoin価格でテストされる。
  論文  参考訳（メタデータ） (2023-10-02T10:18:13Z)

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。