論文の概要: Crossing-Free Probabilistic K-Line Forecasts Without Retraining

• arxiv url: http://arxiv.org/abs/2607.26792v1
• Date: Wed, 29 Jul 2026 11:33:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.654203
• Title: Crossing-Free Probabilistic K-Line Forecasts Without Retraining
• Title（参考訳）: リトレーニングなしのクロス・フリー確率的K線予測
• Abstract要約: 確率的K線予測は4つの相補的な価格の不確実性を記述する。 量子交差とK線交差という2つの整合性問題を導入している。 K-line-Quantile Sequential Projection (KQSP) を提案する。
• 参考スコア（独自算出の注目度）: 9.830603026585687
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Probabilistic K-line forecasting describes uncertainty in four complementary prices, namely open--high--low--close (OHLC). However, it introduces two consistency problems: quantile crossing and K-line crossing. Quantile crossing occurs when a higher-quantile forecast falls below a lower-quantile forecast, while K-line crossing occurs when the forecast low exceeds the open or close, or the forecast high falls below the open or close. Existing solutions generally address only one problem through output reordering, specialized architectures, or penalized training objectives. We propose K-line--Quantile Sequential Projection (KQSP), a parameter-free and training-free reconciliation method applicable to forecasts produced by any model. Compared with other crossing solutions, KQSP preserves predictive accuracy while producing substantially smaller corrections to the original forecasts. To mitigate model bias, we evaluate KQSP using various models, including pretrained foundation models. KQSP reduces both quantile and K-line crossing rates to zero for all test data undertaken. These results show that probabilistic K-line consistency can be enforced independently of forecast generation and without retraining.
• Abstract（参考訳）: 確率的K線予測は、4つの相補的価格、すなわちオープン・ハイ・ロー・クロース(OHLC)の不確実性を記述している。 しかし、量子交差とK線交差という2つの整合性問題を導入している。 量子交差は、高い量子の予測が低い量子の予測を下回ったときに起こるが、K線交差は、予測の低値が開または閉値を超えたとき、または、予測の高値が開または閉値を下回ったときに起こる。 既存のソリューションは、出力のリオーダー、特殊なアーキテクチャ、あるいは罰則化されたトレーニング目標を通じて、ひとつの問題にのみ対処する。 K-line-Quantile Sequential Projection (KQSP)を提案する。 他の交差解と比較すると、KQSPは予測精度を保ちながら、元の予測に対してかなり小さな補正を行う。 モデルバイアスを軽減するため、事前訓練された基礎モデルを含む様々なモデルを用いてKQSPを評価する。 KQSPは、実行された全てのテストデータに対して、量子的およびK線交差率をゼロにする。 これらの結果から,確率的K線整合性は予測生成と独立に実施でき,再学習も行えないことが示唆された。

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)
• Dynamic Entanglement-Weighted Pruning for Quantum Federated Unlearning in Supply-Chain Risk Prediction [4.205733518246009]
  Entanglement-Weighted Pruning (EWP) は、量子フェデレーション学習のための未学習の手順である。 Qiskitでは,5つのシミュレートされたサプライチェーンリスククライアントに対して,FedAvgでトレーニングされた4キュービットのデータ再ロードアンサッツに対して,完全なパイプラインを実装しています。
  論文  参考訳（メタデータ） (2026-08-17T19:17:30Z)
• Perturb and Correct: Post-Hoc Ensembles using Affine Redundancy [0.0]
  P&C(Perturb-and-Correct)は,1つの事前学習ネットワークから多様な予測器を構築する手法である。 P&Cは後続のアフィン層に最小二乗補正を施したランダムな隠れ層摂動を適用し、キャリブレーションデータに同意する予測器を発生させる。 実証的には、P&C は MuJoCo の動的予測と CIFAR-10 OOD 検出にまたがる強力な ID/OOD トレードオフを実現している。
  論文  参考訳（メタデータ） (2026-05-02T22:48:11Z)
• Deep Time-series Forecasting Needs Kernelized Moment Balancing [56.619037429652984]
  深層時系列予測は、予測と地上の真実の分布を整合させることを目的とした分布バランス問題として定式化することができる。 我々は、カーネル化されたモーメントバランス(KMB-DF)による直接予測を提案する。 複数のモデルとデータセットにわたる実験により、KMB-DFは予測精度を一貫して改善し、最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-01-31T13:20:18Z)
• Direct Doubly Robust Estimation of Conditional Quantile Contrasts [8.035129168712334]
  条件量子コンパレータ(CQC)は条件量子処理効果(CQTE)に類似した条件量子レベルの要約を提供する 電流推定は、まず条件付き累積分布関数の差を推定し、逆推定する必要性によって制限される。 我々はCQCの最初の直接推定器を提案し、明示的なモデリングとパラメータ化を可能にした。
  論文  参考訳（メタデータ） (2026-01-27T14:46:25Z)
• CAOS: Conformal Aggregation of One-Shot Predictors [0.0]
  ワンショット予測は、1つのラベル付き例のみを使用して、事前訓練された基礎モデルの新しいタスクへの迅速な適応を可能にする。 標準分割コンフォメーション法は、データ分割と単一の予測器への依存のため、ワンショット設定では非効率である。 本稿では,複数のワンショット予測器を適応的に集約するコンフォーマルフレームワークである1ショット予測器のコンフォーマルアグリゲーション(CAOS)を提案する。
  論文  参考訳（メタデータ） (2026-01-08T18:44:21Z)
• LEC: Linear Expectation Constraints for False-Discovery Control in Selective Prediction and Routing Systems [95.35293543918762]
  大規模言語モデル(LLM)はしばしば信頼できない答えを生成するが、不確実性のある手法は誤った予測と完全に区別することができない。 我々は、この問題を、偽発見率(FDR)制御のレンズを通して解決し、全ての許容された予測のうち、エラーの割合が目標のリスクレベルを超えないことを保証する。 本稿では,線形期待制約を強制することで,選択予測を制約付き決定問題として再解釈するLECを提案する。
  論文  参考訳（メタデータ） (2025-12-01T11:27:09Z)
• The Coverage Principle: How Pre-Training Enables Post-Training [70.25788947586297]
  予備学習が最終モデルの成功をどう形作るかを検討する。 下流の性能予測におけるカバレッジのパワーを説明するメカニズムを明らかにする。
  論文  参考訳（メタデータ） (2025-10-16T17:53:50Z)
• Probability calibration for precipitation nowcasting [0.0]
  降水量などの順序クラスでの誤校正をよりよく捉えるための新しい指標である,予測しきい値校正誤差 (ETCE) を導入する。 その結果,リードタイム条件付き選択的スケーリングは,予測品質を低下させることなく,モデルの誤校正を減少させることがわかった。
  論文  参考訳（メタデータ） (2025-10-01T07:21:05Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• Probabilistic Scores of Classifiers, Calibration is not Enough [0.32985979395737786]
  二項分類タスクでは、確率的予測の正確な表現が実世界の様々な応用に不可欠である。 本研究では,予測スコアと真の確率分布の一致を優先するアプローチを強調した。 その結果,従来の校正基準の限界が明らかとなり,重要な意思決定のための予測モデルの信頼性を損なう可能性が示唆された。
  論文  参考訳（メタデータ） (2024-08-06T19:53:00Z)
• Understanding, Predicting and Better Resolving Q-Value Divergence in Offline-RL [86.0987896274354]
  まず、オフラインRLにおけるQ値推定のばらつきの主な原因として、基本パターン、自己励起を同定する。 そこで本研究では,Q-network の学習における進化特性を測定するために,SEEM(Self-Excite Eigen Value Measure)尺度を提案する。 われわれの理論では、訓練が早期に発散するかどうかを確実に決定できる。
  論文  参考訳（メタデータ） (2023-10-06T17:57:44Z)
• Distribution-free uncertainty quantification for classification under label shift [105.27463615756733]
  2つの経路による分類問題に対する不確実性定量化(UQ)に焦点を当てる。 まず、ラベルシフトはカバレッジとキャリブレーションの低下を示すことでuqを損なうと論じる。 これらの手法を, 理論上, 分散性のない枠組みで検討し, その優れた実用性を示す。
  論文  参考訳（メタデータ） (2021-03-04T20:51:03Z)

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。