論文の概要: Regime-Gated Residual Mixture-of-Experts for Cross-Sectional Volatility Forecasting

• arxiv url: http://arxiv.org/abs/2608.12251v1
• Date: Wed, 12 Aug 2026 16:51:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.653772
• Title: Regime-Gated Residual Mixture-of-Experts for Cross-Sectional Volatility Forecasting
• Title（参考訳）: 断面積変動予測のためのRegime-Gated Residual Mixture-of-Experts
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.4235475271758076
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Financial volatility is regime dependent, yet incorporating regime information into neural networks can also destabilize training. This paper asks where such information should enter a neural cross-sectional volatility forecasting model. We study five-day realized-volatility forecasts for 1,027 U.S. equities using a rolling walk-forward evaluation framework in which information, model capacity, hyperparameter tuning, and random seeds are matched across architectures. We propose RG-ResMoE, a regime-gated residual mixture-of-experts architecture in which regime information is used only for expert routing rather than for direct forecasting. The base predictor models volatility from stock features, while a gating network uses regime state variables to route residual corrections. RG-ResMoE consistently outperforms a capacity-matched MLP in both forecasting accuracy and training stability in the main U.S. study. Similar gains are observed on an independent Japanese panel. The integration pathway is decisive: appending the same regime variables directly to the forecasting input degrades both predictive performance and training stability, whereas restricting them to the routing gate improves accuracy and Value-at-Risk calibration. Hard routing consistently underperforms soft routing. The results suggest that, in compact neural volatility forecasting models, the primary value of mixture-of-experts models lies less in increasing model capacity than in controlling how nonstationary regime information influences prediction.
• Abstract（参考訳）: 金融のボラティリティはレギュラーに依存しているが、ニューラルネットワークにレギュラー情報を組み込むことでトレーニングを不安定にすることができる。 本稿では,神経断面積変動予測モデルにおいて,そのような情報をどこに入力すべきかを問う。 本研究では,建築全体にわたって情報,モデルキャパシティ,ハイパーパラメータチューニング,ランダムシードの整合性を示すローリングウォークフォワード評価フレームワークを用いて,米国株1,027株の5日間の実効変動予測について検討した。 本稿では,RG-ResMoEを提案する。RG-ResMoEは,レギュラー情報が直接予測ではなく,専門家のルーティングにのみ使用されるレギュラーゲート型残差混在型アーキテクチャである。 ベース予測器はストックの特徴からボラティリティをモデル化し、ゲーティングネットワークは残差補正をルートするために状態変数を使用する。 RG-ResMoEは、米国の主要研究において、予測精度とトレーニング安定性の両方において、キャパシティに適合したMLPを一貫して上回っている。 独立系日本人パネルでも同様の利得が観察される。 統合経路は決定的であり、予測入力に直接同じレギュラー変数を追加すると予測性能とトレーニング安定性の両方が劣化する一方、ルーティングゲートに制限すると精度が向上し、バリュー・アット・リスク校正が向上する。 ハードなルーティングは、ソフトなルーティングを一貫して過小評価します。 その結果, コンパクトなニューラルボラティリティ予測モデルでは, 混合実験モデルの一次値は, 非定常状態情報が予測に与える影響を制御した場合よりも, モデルキャパシティの増大に少ないことが示唆された。

関連論文リスト

• FinStressTS: A Parametric Synthetic Benchmark for Time-Series Forecasting in Finance [3.5492452247462185]
  FinStressTSは、モデル動作と制御された構造的原因をリンクするメカニズム対応のベンチマークである。 信号対雑音比の低さ、潜伏要因、重尾、政権交代、跳躍など、財務予測は困難である。
  論文  参考訳（メタデータ） (2026-06-02T05:41:50Z)
• Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
  本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。 このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。 多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
  論文  参考訳（メタデータ） (2026-05-28T13:26:53Z)
• 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)
• GARCH-FIS: A Hybrid Forecasting Model with Dynamic Volatility-Driven Parameter Adaptation [5.461112265573671]
  本稿では、ファジィ推論システム(FIS)と一般化自己回帰ヘテロスケダスティック性(GARCH)モデルを統合し、非線形力学と時間変動ボラティリティを併用する。 提案したGARCH-FISモデルは、予測精度と安定性の点でベンチマークモデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2026-03-16T03:50:00Z)
• Learning from Yesterday's Error: An Efficient Online Learning Method for Traffic Demand Prediction [6.104967994062357]
  FORESEE(Forecasting Online with Residual Smoothing and Ensemble Experts)は、正確で堅牢で効率的なオンライン適応フレームワークである。 これは、昨日の予測エラーを使用して、各地域の今日の予測を補正する。 バックボーンモデルを用いた7つの実世界のデータセットの実験では、ForESEEは予測精度を一貫して改善し、分散シフトが最小でもロバスト性を維持する。
  論文  参考訳（メタデータ） (2026-02-25T10:19:39Z)
• Robust Probabilistic Load Forecasting for a Single Household: A Comparative Study from SARIMA to Transformers on the REFIT Dataset [0.0]
  本稿では,揮発性REFIT家庭データセットを用いた課題に取り組む。 まず、季節計算法を選択するための厳密な比較実験を行うことで、この問題に対処する。 そして、古典的なベースラインから機械学習へと進化するモデル階層を体系的に評価する。 我々の研究結果によると、古典的なモデルはデータの非線形でシステマティックな振る舞いを捉えるのに失敗している。
  論文  参考訳（メタデータ） (2025-11-30T12:05:18Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• 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)
• A Dynamic Approach to Stock Price Prediction: Comparing RNN and Mixture of Experts Models Across Different Volatility Profiles [0.0]
  MoEフレームワークは揮発性株のRNNと安定株の線形モデルを組み合わせて、ゲーティングネットワークを介して各モデルの重量を動的に調整する。 その結果,MoE法は様々な変動性プロファイルの予測精度を著しく向上させることがわかった。 MoEモデルの適応性は個々のモデルよりも優れており、Mean Squared Error(MSE)やMean Absolute Error(MAE)などのエラーを減らすことができる。
  論文  参考訳（メタデータ） (2024-10-04T14:36:21Z)
• Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
  機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。 異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
  論文  参考訳（メタデータ） (2023-07-25T14:09:53Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。