論文の概要: Latent-Regime Bias Auditing for Volatility Forecasting

• arxiv url: http://arxiv.org/abs/2608.01599v1
• Date: Mon, 03 Aug 2026 02:09:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.297717
• Title: Latent-Regime Bias Auditing for Volatility Forecasting
• Title（参考訳）: ボラティリティ予測のための潜在レジムバイアス調査
• Abstract要約: 本稿では,潜在市場体制全体でのボラティリティ予測が信頼性を維持しているかどうかを評価するためのモデル非依存型監査フレームワークを提案する。 我々は、市場状態のウィンドウの時系列表現を学習し、トレーニング情報のみを用いてレジームに分類し、アグリゲーション予測行動とレジーム条件バイアス、テール・アンダープレディション、そして過小評価に敏感な経済損失を比較した。
• 参考スコア（独自算出の注目度）: 0.44333156307871585
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Volatility forecasts are commonly evaluated with aggregate accuracy metrics such as RMSE and MAE, but these metrics can hide conditional failures that matter for risk management. This paper proposes a model-agnostic audit framework for evaluating whether volatility forecasts remain reliable across latent market regimes. We learn time-series representations of market-state windows, cluster them into regimes using only training information, assign regimes out of sample, and compare aggregate forecast behavior with regime-conditional bias, tail-underprediction, and underprediction-sensitive economic losses. Applied to daily volatility forecasting across cryptocurrency and ETF assets, the audit shows that models with competitive aggregate accuracy can still exhibit substantial regime-specific bias and severe tail underprediction. The results suggest that volatility forecasting should be evaluated not only by average error, but also by where and how forecasts become unreliable. Our framework shifts forecast evaluation from asking which model is most accurate on average to identifying the market regimes in which apparently accurate forecasts fail conditionally. Reproducibility: https://github.com/arthurchagas1/Latent-Regime-Bias-Auditing-for-Volatility-Forecasting
• Abstract（参考訳）: ボラティリティ予測は、RMSEやMAEなどの総合的精度指標で一般的に評価されるが、これらの指標は、リスク管理に重要な条件付き障害を隠蔽する可能性がある。 本稿では,潜在市場体制全体でのボラティリティ予測が信頼性を維持しているかどうかを評価するためのモデル非依存型監査フレームワークを提案する。 我々は、市場状態のウィンドウの時系列表現を学習し、トレーニング情報のみを用いてレジームに分類し、サンプルからレジームを割り当て、アグリゲーション予測行動とレジーム条件バイアス、テール・アンダープレディション、過小評価の経済損失を比較した。 暗号通貨やETF資産間での日々のボラティリティ予測に応用すると、競争集約精度のモデルが依然として実質的な制度固有の偏見と厳しい尾の過小評価を示すことが示される。 その結果, ボラティリティ予測は, 平均誤差だけでなく, 予測が信頼できない場所や方法によって評価されるべきであることが示唆された。 我々の枠組みは、予測評価を、どのモデルが平均的に最も正確であるかを問うものから、明らかに正確な予測が条件付きで失敗する市場体制を特定するものへとシフトする。 再現性:https://github.com/arthurchagas1/Latent-Regime-Bias-Auditing-for-Volatility-Forecasting

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)
• From Narrative to Auditable Forecasts: A Structured Scaffold for Agentic Forecasting [28.10023756949099]
  AuditForecastは構造化確率予測のためのエージェント的な足場である。 予測を適切な定量的ベースラインモデルで固定し、モデル誘導データ検索を使用してベース確率を導出し、モデルの範囲外で状況要因を更新する。 AuditForecastは、予測構築を明確にし、系統的なポストホック分析をサポートする監査可能な予測レポートを生成する。
  論文  参考訳（メタデータ） (2026-09-05T05:58:39Z)
• FinBench: Time-Gated Calibration and Uncertainty Benchmarking for Agentic Financial Forecasting [0.0]
  FinBenchは、財務予測のためのキャリブレーションと不確実性の品質を評価するために設計されたベンチマークである。 本稿では,ベンチマークの仕様を記述し,パイプラインの健全性チェックとして小さなパイロット走行を報告する。
  論文  参考訳（メタデータ） (2026-06-24T01:27:30Z)
• Quantifying the Risk-Return Tradeoff in Forecasting [0.0]
  平均予測精度は予測信頼性と同じではない。 私は、ベンチマークに対する予測損失差をリターンシリーズとして扱います。 次に、シャープ比、ソルティーノ比、オメガ比、ドローダウンベースの指標など、金融のリスク調整されたパフォーマンス指標を用いて、これらのリターンを評価する。
  論文  参考訳（メタデータ） (2026-05-10T19:21:12Z)
• Forecasting the U.S. Treasury Yield Curve: A Distributionally Robust Machine Learning Approach [0.12891210250935145]
  配当の不確実性下における米国債利回り曲線の予測について検討する。 予測者は、平均予測誤差を最小化する代わりに、最悪のケース予測損失を最小限に抑える決定ルールを選択する。 本研究では,因子モデルと高次元非パラメトリック機械学習モデルを統合する分散ロバストなアンサンブル予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-08T05:26:43Z)
• Contrastive Time Series Forecasting with Anomalies [3.4598718746610593]
  時系列予測は過去のデータから将来の値を予測する。 一部の異常事象は持続的な影響があり、予測に影響を与えるが、他の事象は短命であり無視されるべきである。 Co-TSFA(Contrastive Time Series Forecasting with Anomalies)は,異常を無視するタイミングと応答するタイミングを学習する正規化フレームワークである。
  論文  参考訳（メタデータ） (2025-12-12T12:54:24Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Consistency Checks for Language Model Forecasters [54.62507816753479]
  予測器の性能を,論理的に異なる質問に対する予測の整合性の観点から測定する。 我々は,一連の基本質問を生成し,これらの質問から整合性チェックをインスタンス化し,予測者の予測を導き,予測の整合性を測定する自動評価システムを構築した。
  論文  参考訳（メタデータ） (2024-12-24T16:51:35Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• 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)
• Evaluation of Machine Learning Techniques for Forecast Uncertainty Quantification [0.13999481573773068]
  アンサンブル予測は、これまでのところ、関連する予測を生成するための最も成功したアプローチであり、その不確実性を見積もっている。 アンサンブル予測の主な制限は、高い計算コストと異なる不確実性の源を捕捉し定量化することの難しさである。 本研究は,1つの決定論的予測のみを入力として,システムの修正状態と状態不確かさを予測するために訓練されたANNの性能を評価するための概念モデル実験である。
  論文  参考訳（メタデータ） (2021-11-29T16:52:17Z)
• Right Decisions from Wrong Predictions: A Mechanism Design Alternative to Individual Calibration [107.15813002403905]
  意思決定者は、しばしば不完全な確率予測に頼る必要がある。 本稿では,予測ユーティリティが実際に取得したユーティリティと一致することを保証する補償機構を提案する。 本研究では、乗客が飛行遅延確率に基づいて、個々の旅行計画をどのように確実に最適化できるかを示すアプリケーションを示す。
  論文  参考訳（メタデータ） (2020-11-15T08:22:39Z)

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。