論文の概要: Deployment-Side Adaptiveness in Multi-Horizon Volatility Forecasting
- arxiv url: http://arxiv.org/abs/2606.27688v1
- Date: Fri, 26 Jun 2026 03:32:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-29 18:24:25.362259
- Title: Deployment-Side Adaptiveness in Multi-Horizon Volatility Forecasting
- Title（参考訳）: マルチ水平変動予測における配置側適応性
- Abstract要約: トレーニングされたマルチアウトプット(MIMO)予測器が,精度とコストプロファイルの異なる予測ファミリをいかに誘導するかを検討する。
20のストック・ボラティリティ・シリーズ,3つの予測水平線,および線形モデルからPatchTSTに至るまでのアーキテクチャにおいて,非デフォルトロールアウトルールがしばしば改善されることが判明した。
誘導ルールファミリに対する検証に基づくデプロイメントポリシーの評価を行った。
- 参考スコア（独自算出の注目度）: 1.2489632787815885
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In financial forecasting, predictive performance depends not only on which model is trained, but also on how the trained model is deployed. We study this issue in multi-horizon volatility forecasting. Our starting point is that a trained multi-output (MIMO) forecaster does not define a single deployable predictor: by changing the inference-time rollout rule, the same trained model induces a family of forecasts with different accuracy and cost profiles. Across 20 stock-volatility series, three forecast horizons, and architectures ranging from linear models to PatchTST, we find that non-default rollout rules often improve over standard MIMO deployment. However, the best fixed rule varies substantially across architectures and horizons, making any single static replacement unreliable. We therefore evaluate validation-based deployment policies over the induced rule family. Under the primary MSE objective, validation-selected singletons provide a low-cost improvement over default MIMO, while small rule subsets recover much of the benefit of larger ensembles at substantially lower inference cost. We also find that policy rankings are metric-sensitive: MSE-selected policies do not transfer uniformly to QLIKE, a finance-standard volatility loss. These results show that inference-time deployment is a meaningful source of adaptiveness in financial forecasting, and that trained volatility forecasters should be evaluated not only by their architecture, but also by their deployment policy.
- Abstract（参考訳）: 財務予測では、予測性能は、どのモデルがトレーニングされたかだけでなく、どのようにトレーニングされたモデルがデプロイされたかにも依存する。
マルチホライゾン変動予測におけるこの問題について検討する。
我々の出発点は、トレーニングされたマルチアウトプット(MIMO)予測器が単一のデプロイ可能な予測器を定義していないことである。
20のストック・ボラティリティ・シリーズ,3つの予測地平線,線形モデルからPatchTSTに至るまでのアーキテクチャにおいて,非デフォルトのロールアウトルールは標準的なMIMOデプロイメントよりも改善されていることが判明した。
しかし、最良の固定ルールはアーキテクチャや地平線によって大きく異なり、単一の静的置換は信頼できない。
そこで本研究では,ルールファミリに対する検証に基づくデプロイメントポリシーの評価を行う。
MSEの主目的の下では、バリデーション選択シングルトンはデフォルトMIMOよりも低コストで改善され、一方小さなルールサブセットは推論コストを大幅に下げてより大きなアンサンブルの利点を回復する。
MSE選択されたポリシーは、金融標準のボラティリティ損失であるQLIKEに均一に転送されない。
これらの結果から, 予測時配置は財務予測における適応性の有意義な源であり, 訓練されたボラティリティ予測器は, アーキテクチャだけでなく, 展開方針によって評価されるべきであることが示唆された。
関連論文リスト
- Regime-Gated Residual Mixture-of-Experts for Cross-Sectional Volatility Forecasting [2.4235475271758076]
本研究では,米国株1027株の5日間の実効変動予測をウォークフォワード評価フレームワークを用いて検討した。
本稿では,RG-ResMoEを提案する。
論文 参考訳（メタデータ） (2026-08-12T16:51:51Z) - How Useful is Causal Invariance for Domain Adaptation in Finite-Sample Settings? [58.740078141879984]
機械学習モデルは、トレーニングされたソースディストリビューションとは異なるターゲットディストリビューションにデプロイされると、しばしば劣化する。
因果関係に基づく領域一般化における最近の研究は、共用因果構造が不変な予測因子を誘導する方法を示している。
本稿では,完全あるいは部分的な因果知識が,教師付きドメイン適応を確実に改善できるかどうかについて検討する。
論文 参考訳（メタデータ） (2026-06-10T21:07:49Z) - Expectations vs. Realities: The Cost of MSE-Optimal Forecasting Under Conditional Uncertainty [1.2489632787815885]
多段階時系列予測(MSF)は平均二乗誤差(MSE)などのポイントワイド誤差指標を用いて一般的に評価される。
これは条件的不確実性の下では誤解を招く可能性を示し、条件的期待はより長い地平線における典型的な実効値とは無関係となる。
これにより、MSF評価における点精度と限界リアリズムの基本的なモデルに依存しないトレードオフが確立される。
論文 参考訳（メタデータ） (2026-06-03T01:50:32Z) - Ratio-Variance Regularized Policy Optimization [64.95520246570446]
ポリシ比の分散を明示的に制約することは、信頼領域の制約に対する原則的な局所近似をもたらすことを示す。
本稿では,この制約を実装したR2bf VPO$(Ratio-Variance Regularized Policy Optimization)を紹介する。
論文 参考訳（メタデータ） (2026-05-26T09:53:42Z) - One-Way Policy Optimization for Self-Evolving LLMs [63.8638342097375]
RLVR(Reinforcement Learning with Verifiable Rewards)は,Large Language Models(LLMs)の推論能力を拡張するための,有望なパラダイムとなっている。
本稿では,最適化方向を更新等級から切り離す手法である1-Way Policy Optimization (OWPO)を提案する。
実験の結果,OWPOはDAPO,OPD,MOPDなどの強いベースラインより優れていた。
論文 参考訳（メタデータ） (2026-05-21T08:25:27Z) - Plan Before You Trade: Inference-Time Optimization for RL Trading Agents [8.39123686251568]
ポートフォリオ管理のための強化学習エージェントは通常、静的ポリシーとしてトレーニングされ、デプロイされる。
モデル予測制御(MPC)にインスパイアされたプラグイン推論時間最適化フレームワークを提案する。
我々のフレームワークは、事前訓練されたエージェントと互換性があり、リトレーニングすることなく、予測者の予測にポリシーを適用する。
論文 参考訳（メタデータ） (2026-05-12T18:58:03Z) - $V_{0.5}$: Generalist Value Model as a Prior for Sparse RL Rollouts [81.48669089692189]
一般値モデル(例えば$V_0.5$)は、コンテキスト内のモデル機能を明示的にエンコードすることで、事前訓練された値推定を実現する。
本稿では,このような値モデルにより予測されるベースラインと,スパースロールアウトから導出される経験的平均とを適応的に融合する$V_0.5$を提案する。
V_0.5$はGRPOとDAPOを大きく上回り、より高速な収束と約10%のパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2026-03-11T14:57:41Z) - Are We Winning the Wrong Game? Revisiting Evaluation Practices for Long-Term Time Series Forecasting [0.0]
長期時系列予測(LTSF)は、データマイニングと機械学習における中心的な課題として広く認識されている。
我々は、この計量中心の体制は単に不完全であるだけでなく、予測のより広い目的と構造的に不一致であると主張する。
本稿では, 統計的忠実度, 構造的コヒーレンス, 決定レベルの関連性を統合した多次元評価視点を提案する。
論文 参考訳（メタデータ） (2026-03-09T09:37:46Z) - Uncertainty Quantification for Regression using Proper Scoring Rules [76.24649098854219]
CRPS,対数,2乗誤差,2次スコアなど,適切なスコアリングルールに基づく回帰のための統一的UQフレームワークを提案する。
実測パラメトリックな仮定に基づく不確実性尺度に対する閉形式式を導出し、モデルのアンサンブルを用いてそれらを推定する方法を示す。
合成および実世界の回帰データセットに対する広範な評価は、信頼性の高いUQ尺度を選択するためのガイダンスを提供する。
論文 参考訳（メタデータ） (2025-09-30T17:52:12Z) - Towards Reliable, Uncertainty-Aware Alignment [12.63619480522393]
オープンソースベンチマークにおける報酬モデルトレーニングの多様性について検討する。
本稿では、好みに基づくアライメントのための分散対応ポリシー最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-21T12:51:29Z) - When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。
deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。
カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
論文 参考訳（メタデータ） (2023-07-06T04:13:57Z)
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。