Fugu-MT 論文翻訳(概要): Volatility-Aware Extreme Event Detection in High-Frequency Financial Markets

論文の概要: Volatility-Aware Extreme Event Detection in High-Frequency Financial Markets

arxiv url: http://arxiv.org/abs/2607.17555v1
Date: Mon, 20 Jul 2026 05:01:18 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-21 18:48:37.503118
Title: Volatility-Aware Extreme Event Detection in High-Frequency Financial Markets
Title（参考訳）: 高周波金融市場における変動性を考慮した極端事象検出
Abstract要約: 本研究は,高頻度Bitcoin制限順序帳(LOB)データを用いた極端事象検出のためのボラティリティ対応手法を提案する。ボラティリティ・クラスタリングの実証的な証拠により、ターゲットの定式化は、大きな将来のリターンと高ボラティリティ・レジームの両方を組み込むよう拡張される。提案手法は、高周波暗号市場において、極端なイベント検出のためのより効果的で現実的なフレームワークを提供する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Predicting extreme price movements in high-frequency financial markets is a challenging task due to non-stationarity, heavy-tailed return distributions, and severe class imbalance. In particular, rare but impactful events are often difficult to detect using conventional modeling approaches, which typically treat extreme movements as isolated observations. This study proposes a volatility-aware approach for extreme event detection using high-frequency Bitcoin limit order book (LOB) data. Motivated by empirical evidence of volatility clustering, the target formulation is extended to incorporate both large future returns and high-volatility regimes. This redefinition increases the proportion of informative samples and aligns the learning objective with the underlying market dynamics. Using a tree-based model (XGBoost) with time-series cross-validation and imbalance-aware evaluation, the proposed method achieves a Precision-Recall AUC of approximately 0.40, significantly outperforming the baseline formulation with a PR-AUC of around 0.06. This represents more than a sixfold improvement in detecting rare events. The results highlight that target design plays a critical role in financial machine learning, often exceeding the impact of model complexity. By incorporating volatility structure into the labeling process, the proposed approach provides a more effective and realistic framework for extreme event detection in high-frequency cryptocurrency markets.
Abstract（参考訳）: 高周波金融市場での極端な価格変動を予測することは、非定常性、重テールリターン分布、厳しい階級不均衡のために難しい課題である。特に、稀だが衝撃的な事象は、通常、極端な動きを孤立した観測として扱う従来のモデリング手法を用いて検出することがしばしば困難である。本研究は,高頻度Bitcoin制限順序帳(LOB)データを用いた極端事象検出のためのボラティリティ対応手法を提案する。ボラティリティ・クラスタリングの実証的な証拠により、ターゲットの定式化は、大きな将来のリターンと高ボラティリティ・レジームの両方を組み込むよう拡張される。この再定義は、情報的サンプルの割合を増大させ、学習目標を基礎となる市場のダイナミクスと整合させる。ツリーベースモデル(XGBoost)と時系列クロスバリデーションとアンバランスアウェア評価を用いて,約0.40の精度・リコールAUCを実現し,PR-AUCを約0.06の精度で大幅に上回った。これは希少事象の検出において6倍以上の改善を示す。その結果、ターゲット設計が金融機械学習において重要な役割を担い、しばしばモデルの複雑さの影響を超越していることが浮き彫りになった。ラベル付けプロセスにボラティリティ構造を組み込むことにより、提案手法は、高周波暗号市場において、極端なイベント検出のためのより効果的で現実的なフレームワークを提供する。

関連論文リスト

A FEDformer-Based Hybrid Framework for Anomaly Detection and Risk Forecasting in Financial Time Series [0.8065001399110248]
本研究では,金融時系列における異常検出とリスク予測のためのFEDformer-based Hybrid Frameworkを提案する。周波数拡張分解変換器(FEDformer)と残差ベースの異常検出器とリスク予測ヘッドを統合している。 S&P 500, NASDAQ Composite, Brent Crude Oil データセット (2000-2024) を用いて行った実験は, ベンチマーク法よりも提案モデルの方が優れていることを示す。
論文参考訳（メタデータ） (2025-11-17T04:09:04Z)
Robust Reinforcement Learning in Finance: Modeling Market Impact with Elliptic Uncertainty Sets [57.179679246370114]
金融分野では、強化学習(RL)エージェントは、価格に影響を与えない歴史的データに基づいて訓練されることが多い。展開中、これらのエージェントは、自身の取引が資産価格を変えることができるライブマーケットで取引する。従来のロバストなRLアプローチは、不確実性の集合に対して最悪のパフォーマンスを最適化することで、このモデルの誤特定に対処する。楕円型不確実性集合の新たなクラスを開発し,効率的かつ堅牢な政策評価を可能にする。
論文参考訳（メタデータ） (2025-10-22T18:22:25Z)
Predicting Market Troughs: A Machine Learning Approach with Causal Interpretation [0.0]
本稿では,マーケットトラフの因果的要因に関する,堅牢で新しい証拠を提供する。フレキシブルなDML平均部分効果因果機械学習フレームワークにより、制約付き線形モデルを超えて動きます。
論文参考訳（メタデータ） (2025-09-07T04:38:40Z)
A Comparative Analysis of Statistical and Machine Learning Models for Outlier Detection in Bitcoin Limit Order Books [0.0]
本研究は,暗号通貨制限順序書(LOB)における実時間異常識別のための頑健な統計手法と高度な機械学習手法の比較分析を行う。我々は13の多様なモデルの有効性を評価し、どのアプローチが潜在的にマニピュティブな取引行動を検出するのに最も適しているかを同定する。主要な取引所から26,204レコードのデータセットをバックテストして実施した経験的評価は、最高性能のモデルであるEmpirical Covariance (EC)が6.70%向上し、標準のBuy-and-Holdベンチマークを大幅に上回ったことを示している。
論文参考訳（メタデータ） (2025-07-20T13:42:36Z)
A Deep Learning Approach to Anomaly Detection in High-Frequency Trading Data [12.06584491356733]
本稿では,外国為替市場のマイクロ構造における異常な挙動を検出するための,段階的スライディングウインドウトランスフォーマーアーキテクチャに基づくアルゴリズムを提案する。本手法は,多段階の時間的特徴を段階的スライディングウィンドウを通じて捕捉し,トランスフォーマーの自己注意機構と重み付けされた注意機構を組み合わせることで,グローバルおよびローカルな依存関係を抽出する。
論文参考訳（メタデータ） (2025-03-31T23:14:31Z)
MCI-GRU: Stock Prediction Model Based on Multi-Head Cross-Attention and Improved GRU [29.760324699979417]
本稿では,多頭部クロスアテンション機構と改良型GRUに基づくストック予測モデルMCI-GRUを提案する。 4つの主要株式市場での実験では、提案手法は複数の指標でSOTA技術を上回っている。
論文参考訳（メタデータ） (2024-09-25T14:37:49Z)
Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
論文参考訳（メタデータ） (2023-08-18T16:21:15Z)
Uncertainty in Extreme Multi-label Classification [81.14232824864787]
eXtreme Multi-label Classification (XMC)は、Webスケールの機械学習アプリケーションにおいて、ビッグデータの時代において不可欠なタスクである。本稿では,確率的アンサンブルに基づく木系XMCモデルの一般的な不確実性定量化手法について検討する。特に,XMCにおけるラベルレベルおよびインスタンスレベルの不確実性を解析し,ビームサーチに基づく一般的な近似フレームワークを提案する。
論文参考訳（メタデータ） (2022-10-18T20:54:33Z)
DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文参考訳（メタデータ） (2022-09-23T16:13:47Z)
Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文参考訳（メタデータ） (2022-03-07T18:59:54Z)
Deep Learning for Virtual Screening: Five Reasons to Use ROC Cost Functions [80.12620331438052]
深層学習はサイリコの何十億もの分子を迅速にスクリーニングする重要なツールとなりましたその重要性にもかかわらず、厳密なクラス不均衡、高い決定しきい値、いくつかのデータセットにおける基底真理ラベルの欠如など、これらのモデルのトレーニングにおいて重大な課題が続いている。このような場合、クラス不均衡に対するロバスト性から、レシーバ動作特性(ROC)を直接最適化することを好んで論じる。
論文参考訳（メタデータ） (2020-06-25T08:46:37Z)

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。