論文の概要: Extreme Volatility Warning under Label Scarcity via Multi-Source Anomaly Fusion
- arxiv url: http://arxiv.org/abs/2607.23682v1
- Date: Sun, 26 Jul 2026 14:30:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.188648
- Title: Extreme Volatility Warning under Label Scarcity via Multi-Source Anomaly Fusion
- Title（参考訳）: マルチソース異常核融合によるラベルスカルシティ下における極端ボラティリティ警告
- Authors: Jin Qian, Zhangzhi Xiong, Mingrui Li, Zhen Liu,
- Abstract要約: 当社のCSI300設定では、791のトレーニング日で80ドルの正のサンプルしか見つからず、教師付きマルチソースモデルを不安定にしています。
我々は、市場指標、GDELTイベント、中国の金融ニュース、英語メディアの異常スコアと軽量リッジスコア融合を組み合わせた半教師付きフレームワークであるtextbfAAMSF(Anomaly-Augmented Multi-Signal Fusion)を提案する。
CSI300では、AAMSFはAUC-ROC textbf0.680をテストし、最強の教師なしベースライン(0.630)と神経ベースライン(0.588)を上回ります。
- 参考スコア（独自算出の注目度）: 9.298391210599604
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Early warning of extreme market volatility is central to financial risk management, but actionable events are rare, nonstationary, and often triggered by exogenous information shocks. In our CSI~300 setting, only $\sim$80 positive samples are observed across 791 training days, making heavily supervised multi-source models unstable. We first analyze a 100K-parameter hierarchical text-signal fusion model (HTSF) and find that added parameterization hurts in this low-label regime. Motivated by this failure, we propose \textbf{AAMSF} (Anomaly-Augmented Multi-Signal Fusion), a semisupervised framework that combines Isolation Forest anomaly scores over market indicators, GDELT events, Chinese financial news, and English media with lightweight Ridge score fusion. We further introduce \textbf{T-AAMSF}, a temporal extension for multi-day anomaly accumulation. On CSI~300 (2018--2023), AAMSF achieves test AUC-ROC \textbf{0.680}, outperforming the strongest unsupervised baseline (0.630) and neural baseline (0.588), while T-AAMSF improves PR-AUC to 0.291. Ablations reveal strong source asymmetry: GDELT and domestic financial news provide complementary risk signals, whereas English media consistently reduces performance, and learned weighting is unreliable under validation noise. These results suggest an empirical design principle for label-scarce financial risk warning: robust anomaly geometry and source reliability can matter more than supervised representation capacity.
- Abstract（参考訳）: 極端な市場のボラティリティの早期警戒は金融リスク管理の中心であるが、行動可能な出来事は稀で、非定常的であり、しばしば外因性情報ショックによって引き起こされる。
われわれのCSI~300設定では、791のトレーニング日で80ドルの正のサンプルのみが観測され、教師付きマルチソースモデルが不安定になった。
我々はまず,100Kパラメータの階層型テキスト信号融合モデル(HTSF)を解析し,パラメータ化の追加が低ラベル構造に悪影響を及ぼすことを見出した。
この失敗を機に、市場指標、GDELTイベント、中国の金融ニュース、および軽量リッジスコアフュージョンによる英語メディアの分離林異常スコアを組み合わせた半教師付きフレームワークである「textbf{AAMSF} (Anomaly-Augmented Multi-Signal Fusion)」を提案する。
さらに,複数日の異常蓄積に対する時間的拡張であるtextbf{T-AAMSF}を紹介する。
CSI~300 (2018-2023)では、AAMSFはAUC-ROC \textbf{0.680} のテストを行い、最も強い教師なしベースライン (0.630) と神経ベースライン (0.588) を上回り、T-AAMSFはPR-AUCを0.291に改善した。
GDELTと国内金融ニュースは相補的なリスク信号を提供するのに対し、英語メディアは一貫して性能を低下させ、学習した重み付けは検証ノイズ下では信頼できない。
これらの結果から,ロバストな異常幾何とソース信頼性は,教師付き表現能力以上のものになり得るという,ラベル付き金融リスク警告の実証設計原則が示唆された。
関連論文リスト
- Multi-Agent Framework for Audit Risk Assessment with Explicit Uncertainty and Evidence Conflict Modeling [6.05989830654114]
UMARはMD&Aテキストエージェント、ファイナンシャルレートエージェント、CAMエージェントの3つの特殊エージェントを使用するフレームワークである。
SEC10-Kの提出書類から3200件の年次観測データを用いてUMARを評価する。
論文 参考訳（メタデータ） (2026-06-14T07:06:03Z) - From Risk to Rescue: An Agentic Survival Analysis Framework for Liquidation Prevention [46.90931293070464]
本稿では,リスクを認識し,対実的未来をシミュレートし,積極的に清算を防止するためのプロトコルに忠実な介入を行う自律エージェントを提案する。
我々は,ハイリスクユーザプロファイル4,882のコホート上で,高忠実でプロトコルに忠実なAave v3シミュレータを用いて,我々のアプローチを検証する。
論文 参考訳（メタデータ） (2026-04-16T03:22:05Z) - ATBench: A Diverse and Realistic Agent Trajectory Benchmark for Safety Evaluation and Diagnosis [96.92417622318267]
ATBenchは、エージェント安全性の構造化、多様性、現実的な評価のための軌道レベルのベンチマークである。
リスクソース、障害モード、現実世界の危害の3つの側面に沿ってエージェント的リスクを編成する。
1000個の軌道(安全503個、安全497個)があり、平均9.01ターンと3.95kトークンがあり、2,084個のツールにまたがるプールから1,954個のツールが呼び出されている。
論文 参考訳（メタデータ） (2026-04-02T13:26:20Z) - Early Rug Pull Warning for BSC Meme Tokens via Multi-Granularity Wash-Trading Pattern Profiling [3.1262100364392205]
分散型金融(DeFi)におけるミームトークンの高頻度発行と短サイクル投機は、ルーグプルリスクを著しく増幅した。
既存のアプローチは、わずかな異常、不完全なラベル、限定的な解釈可能性の下で安定した早期警告を提供するのに依然として苦労している。
この問題に対処するために、データセットの構築とラベル付け、ハッシュトレーディングパターンの特徴モデリング、リスク予測、エラー解析の4段階からなるBSCミームトークンに対して、エンドツーエンドの警告フレームワークが提案されている。
論文 参考訳（メタデータ） (2026-03-14T08:25:42Z) - Information Fidelity in Tool-Using LLM Agents: A Martingale Analysis of the Model Context Protocol [69.11739400975445]
モデルコンテキストプロトコル(MCP)エージェントにおけるエラー蓄積を解析するための最初の理論的枠組みを紹介する。
累積歪みが線形成長と高確率偏差を$O(sqrtT)$で表すことを示す。
主な発見は、意味重み付けは歪みを80%減らし、周期的再接地は、エラー制御の約9ステップごとに十分である。
論文 参考訳（メタデータ） (2026-02-10T21:08:53Z) - Statistical Estimation of Adversarial Risk in Large Language Models under Best-of-N Sampling [50.872910438715486]
大規模言語モデル(LLM)は、通常、単一ショットまたは低予算の逆のプロンプトの下で安全性を評価する。
我々は,Best-of-Nサンプリングの下でのジェイルブレイク脆弱性をモデル化するための,スケーリング対応のリスク推定手法であるSABERを提案する。
論文 参考訳（メタデータ） (2026-01-30T06:54:35Z) - Risk-Aware Financial Forecasting Enhanced by Machine Learning and Intuitionistic Fuzzy Multi-Criteria Decision-Making [7.394315090978424]
このフレームワークは、構造化された財務データ、構造化されていないテキストデータ、マクロ経済指標を融合させ、予測精度と堅牢性を高める。
このモデルには、極端な勾配向上(XGBoost)、長い短期記憶(LSTM)ネットワーク、グラフニューラルネットワーク(GNN)など、ハイブリッドモデルスイートが組み込まれている。
その結果,純利益率の平均絶対パーセンテージ誤差(MAPE)は3.03%,信頼区間は95%程度であり,予測精度が高いことがわかった。
論文 参考訳（メタデータ） (2025-12-11T04:19:26Z) - Bayesian Modeling for Uncertainty Management in Financial Risk Forecasting and Compliance [0.0]
我々は,市場ボラティリティ予測,不正検出,コンプライアンス監視におけるリスクの取り扱いを継続的に促進する統合的アプローチを開発する。
我々は,2000年から2019年までのトレーニング期間,2020年から2024年までのアウト・オブ・サンプルテスト期間を用いて,毎日のS&P500リターンにおける95%バリュー・アット・リスク(VaR)予測の性能を評価した。
提案した割引係数DLMモデルは,クラスタ化違反の証拠とともに,わずかにリベラルなVaR推定を導出する。
論文 参考訳（メタデータ） (2025-12-06T23:00:19Z) - 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) - The Sound of Risk: A Multimodal Physics-Informed Acoustic Model for Forecasting Market Volatility and Enhancing Market Interpretability [45.501025964025075]
本稿では,財務リスク評価のための新たな枠組みを提案する。
我々は1,795件の収支コールのデータセットを用いて、スクリプトによるプレゼンテーションと自発的なQ&A交換の動的変化をキャプチャする機能を構築した。
我々の重要な発見は、予測能力の顕著なばらつきを明らかにしている: マルチモーダルな特徴は、方向性の株価リターンを予測しないが、30日間に実現されたボラティリティにおけるサンプル外変動の最大43.8%を説明できる。
論文 参考訳（メタデータ） (2025-08-26T03:51:03Z) - Beyond Benchmarks: Dynamic, Automatic And Systematic Red-Teaming Agents For Trustworthy Medical Language Models [87.66870367661342]
大規模言語モデル(LLM)は、医療におけるAIアプリケーションで使用される。
LLMを継続的にストレステストするレッドチームフレームワークは、4つのセーフティクリティカルなドメインで重大な弱点を明らかにすることができる。
敵エージェントのスイートは、自律的に変化するテストケースに適用され、安全でないトリガー戦略を特定し、評価する。
私たちのフレームワークは、進化可能でスケーラブルで信頼性の高い、次世代の医療AIのセーフガードを提供します。
論文 参考訳（メタデータ） (2025-07-30T08:44:22Z)
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。