論文の概要: Susceptible Reservoir Architectures for Regime-Conditional Volatility Forecasting

• arxiv url: http://arxiv.org/abs/2607.22491v2
• Date: Mon, 27 Jul 2026 17:43:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 14:56:47.049236
• Title: Susceptible Reservoir Architectures for Regime-Conditional Volatility Forecasting
• Title（参考訳）: レジーム・コンディショナル・ボラティリティ予測のための感受性の高い貯留層構造
• Abstract要約: 本稿では, ボラティリティ予測のための貯水池設計原則であるSusceptible Architectures(SUSA)とその2つの具体的実装を紹介する。 我々は,3つの不規則な時間的トレーニング,検証,テストフォールドを用いて,米国株式および為替取引ファンドシリーズのモデルを評価する。 提案したモデルはGARCHと競合し、特定の資産に対して統計的に重要なQLIKEの改善を達成している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Volatility forecasting is dominated by persistence and measurement noise, leaving limited residual structure for nonlinear models to exploit. We introduce Susceptible Architectures (SUSA), a reservoir-design principle for volatility forecasting, and its two concrete implementations, based on complex-valued open-chain and periodic reservoirs and regime-conditioned experts to interpret reservoir features across calm, onset, recovery, and persistent-stress states. We also implement open-system $q$-qubit counterparts in Qiskit while retaining a common AR-Ridge anchor and a bounded residual correction trained under QLIKE. We evaluate models on 16 U.S. equity and exchange-traded-fund series using three disjoint chronological training, validation, and test folds, a 12-observation input window, and a five-observation forecast horizon. The proposed models perform competitively with GARCH, achieving statistically significant QLIKE improvements for specific assets (IWM, XLP). Also models' forecasts complement HARQ-style predictions: a stacked ensemble improves mean QLIKE by 0.0116 over its strongest constituent and wins in 75% of test scenarios.
• Abstract（参考訳）: ボラティリティ予測は持続性と測定ノイズに支配され、非線形モデルに限定された残留構造が利用される。 本稿では, 変動予測のための貯水池設計原則であるSusceptible Architectures(SUSA)とその2つの具体的実装について紹介する。 また、Qiskitでは、共通AR-RidgeアンカーとQLIKEでトレーニングされた有界残差補正を維持しながら、$q$-qubitのオープンシステムも実装しています。 我々は,3つの不規則な時間的トレーニング,検証,テストフォールド,12観測入力窓,5観測予測地平線を用いて,米国株式・為替取引ファンドシリーズのモデルを評価する。 提案したモデルはGARCHと競合し、特定の資産(IWM, XLP)に対して統計的に重要なQLIKE改善を実現する。 また、モデルの予測は、HARQスタイルの予測を補完する: 積み重ねられたアンサンブルは、最も強力な構成成分よりも平均QLIKEを0.0116改善し、テストシナリオの75%で勝利する。

関連論文リスト

• Repurposing Deep Limit Order Book Forecasting for Scenario-Conditioned Market Impact Modeling [49.590388401787834]
  本稿では,機械的に有効な反事実メッセージの注入前後の予測者の予測分布を比較するモデルに依存しないフレームワークを提案する。 トランスフォーマーをベースとした予測器は、スピアマンの相関関係を0.99と97.2%と、実現した歴史的成果との方向性の一致で、シナリオランキングを回復した。
  論文  参考訳（メタデータ） (2026-09-15T10:06:03Z)
• 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)
• Adaptive Multi-Scale Forecasting and Gate-Localized Conformal Prediction for Multivariate Nonstationary Time Series [7.704601239153111]
  ABF-T-GLCPは非定常時系列の予測と不確実性定量化のためのモデルに依存しないフレームワークである。 予測モジュールは、学習ゲートを通じて地平線固有の時間的専門家を結合し、スパース予測転送を使用して予測を洗練する。 不確実性モジュールであるGate-Localized Conformal Predictionは、学習されたゲート状態と時間的回帰を利用して、局所的に関連するキャリブレーション残差を選択する。
  論文  参考訳（メタデータ） (2026-07-25T11:46:38Z)
• RAVEN: A Regime-Aware Variable-context Expert Network for Financial Time Series Forecasting [83.06074370551887]
  固定コンテキストウィンドウは、非定常価格プロセスの時間変化最適振り返りと一致しない。 本稿では,各サンプルの時間的文脈を適応的に決定するMixture-of-Expertsフレームワークを提案する。 累積ログリターン予測(HS300、S&P500)およびファンド販売予測の実験では、RAVENはSOTAのパフォーマンスを達成し、HS300ではピアソン相関を9.2%改善し、S&P500では20.2%改善し、MSEを18.2%削減している。
  論文  参考訳（メタデータ） (2026-06-23T02:11:04Z)
• Bridging the Last Mile of Time Series Forecasting with LLM Agents [0.6416429054645992]
  実世界の予測設定では、統計的に妥当なベースラインが実際に使われる最後の予測となることは滅多にない。 この実践的な段階は、予測文学において未解明のままである。 予測バックボーン上に位置するLDMエージェントフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-01T17:03:40Z)
• Forward-Looking Stress Testing Under Macro Scenarios: Stable SVaR Estimation Using a Hybrid GPR-HS Framework with SACS [0.0]
  本稿では,Hybrid Gaussian Process Regression Historical Simulation (GPR-HS) フレームワークを前向きのストレスシナリオに拡張する。 主要な貢献は、ストレス共分散を歴史的危機体制の重み付け集合として構成するシナリオ平均共分散安定化(SACS)フレームワークである。 その結果,SACS を用いた GPR-HS は SVaR と SES の推定を CCAR および ICAAP アプリケーションで行うための安定かつ規制の整ったアプローチとしてサポートした。
  論文  参考訳（メタデータ） (2026-05-26T18:02:45Z)
• Factorize to Generalize: Retrieval-Guided Invariant-Dynamic Decomposition for Time Series Forecasting [64.2640656619583]
  時系列基礎モデル (TSFM) は, 大規模事前学習と検索強化予測により, ゼロショット予測性能が向上した。 本稿では時系列予測のための検索誘導不変動的分解フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-24T07:31:55Z)
• Is Capability a Liability? More Capable Language Models Make Worse Forecasts When It Matters Most [11.4807141145402]
  逆スケーリングでは、より有能なモデルでは、超線形成長を伴う問題を予測し、状態変化の尾リスクを予測し、分布予測が悪化する。 このパターンはForecastBench-Simで、線形制御にマッチした合成SIRの流行を予測し、COVID-19、麻疹、住宅市場、ハイパーインフレの実際のデータセットに複製する。 この逆スケーリングは、LLM予測ベンチマークに共通する単一閾値のメトリクスには現れず、同一出力における能力-正確性関係のサインを逆転させる。
  論文  参考訳（メタデータ） (2026-05-21T16:14:33Z)
• Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration [72.0672328514289]
  マルチモーダル学習は、しばしば低品質データの課題に悩まされる。 コンフォーマル予測自己校正(Conformal Predictive Self-Calibration)と呼ばれる統合フレームワークを提案する。 私たちのフレームワークは、既存の最先端メソッドを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-05-05T14:48:52Z)
• STAR : Bridging Statistical and Agentic Reasoning for Large Model Performance Prediction [78.0692157478247]
  本稿では,知識駆動型エージェント推論を用いて,データ駆動型静的予測を橋渡しするフレームワークSTARを提案する。 STARはスコアベースとランクベースの両方の基準線を一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-02-12T16:30:07Z)
• Continual Action Quality Assessment via Adaptive Manifold-Aligned Graph Regularization [53.82400605816587]
  アクション品質アセスメント(AQA)は、ビデオにおける人間の行動を定量化し、スポーツスコアリング、リハビリテーション、スキル評価の応用を支援する。 大きな課題は、現実世界のシナリオにおける品質分布の非定常的な性質にある。 本稿では,進化する分布を扱うための連続学習機能を備えた連続AQA(Continuous AQA)を紹介する。
  論文  参考訳（メタデータ） (2025-10-08T10:09:47Z)
• 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)
• Foundation Models for Demand Forecasting via Dual-Strategy Ensembling [11.926658499983446]
  本研究では,現実のサプライチェーンにおける販売予測のための基盤モデルの性能を向上させる統一アンサンブルフレームワークを提案する。 提案手法は,(1)階層型アンサンブル(HE)と(2)モデルバックボーンからの予測を統合し,バイアスを緩和し,安定性を向上させるアーキテクチャアンサンブル(AE)の2つの相補的戦略を組み合わせる。
  論文  参考訳（メタデータ） (2025-07-29T17:56:38Z)

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。