論文の概要: Forecast Collapse in Time-Series Foundation Models

• arxiv url: http://arxiv.org/abs/2608.14106v1
• Date: Fri, 14 Aug 2026 09:08:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.334198
• Title: Forecast Collapse in Time-Series Foundation Models
• Title（参考訳）: 時系列基礎モデルにおける予測崩壊
• Abstract要約: 時系列基礎モデル(TSFM)、12のディープラーニング予測モデル、97の公開ベンチマーク構成の予測崩壊について検討した。 予測可能性の低さは校正点予測の振幅を制限しているのに対し、シリーズごとの目標はクロスシリーズ構造を未同定のまま残している。 このトレードオフに対応するために、キャリブレーションとランキングのバランスをとるシンプルな目的であるCalibRankを紹介します。
• 参考スコア（独自算出の注目度）: 35.06550187645666
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: When forecasting hourly returns for 1,000 US equities, we observe an unexpected phenomenon: predictions become nearly flat and show poor stock ranking, as measured by cross-sectional correlation. We call this forecast collapse. Surprisingly, the phenomenon largely disappears when forecasting trading volume under the same setting. We investigate forecast collapse across time-series foundation models (TSFMs), twelve deep-learning forecasting models, and 97 public benchmark configurations, and find that it is closely tied to target predictability. We identify two distinct reasons behind it: low predictability limits the amplitude of calibrated point forecasts, while per-series objectives leave cross-series structure unidentified. These findings reveal a calibration-ranking tradeoff: optimizing squared error leads to flat predictions, whereas directly optimizing cross-sectional correlation improves ranking but can inflate forecast amplitude by more than an order of magnitude. To address this tradeoff, we introduce CalibRank, a simple objective that balances calibration and ranking. On Finance1K, CalibRank nearly triples cross-sectional correlation while keeping amplitude close to the target, and improves correlation on all tested models. Our results reveal a blind spot in conventional time-series evaluation: per-series metrics can hide failures in cross-series structure needed by downstream decisions.
• Abstract（参考訳）: 時間的リターンを1000米国株で予測すると、予想外の現象が観測される。 私たちはこの予測を崩壊と呼ぶ。 驚くべきことに、同じ条件下で取引量を予測すると、この現象は消滅する。 時系列基礎モデル(TSFM)、12のディープラーニング予測モデル、97の公開ベンチマーク構成の予測崩壊について検討し、目標予測可能性と密接な関係があることを見出した。 予測可能性の低いことは、キャリブレーションされた点予測の振幅を制限する一方、シリーズごとの目標は、シリーズ間構造を未同定のまま残している。 正方形誤差の最適化は平坦な予測につながるのに対し、断面相関の最適化はランキングを改善するが、1桁以上の予測振幅を増大させることができる。 このトレードオフに対応するために、キャリブレーションとランキングのバランスをとるシンプルな目的であるCalibRankを紹介します。 ファイナンス1Kでは、CalibRankは目標に近い振幅を維持しながら断面相関をほぼ3倍にし、テスト対象モデルの相関性を改善する。 シリーズごとのメトリクスは、ダウンストリーム決定に必要なクロスシリーズ構造に障害を隠蔽することができる。

関連論文リスト

• 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)
• Asymmetric Peak-Aware Loss for Peak-Critical Time Series Forecasting [1.7126708168238123]
  群衆需要予測などの運用時系列予測アプリケーションでは,過大予測よりも過大予測に関連するリスクが著しく高い。 Asymmetric Peak-Aware Loss (APAL) は、予測下降をより過度に罰し、予測ウィンドウ内のピーク領域のトレーニング重量を増加させるモデルに依存しない目的である。 APALは、制御可能なトレードオフを集約エラーで公開しながら、テール精度とピーク予測品質を改善し、ピーク予測失敗が主な運用上の問題である場合に、実用的な解決策となる。
  論文  参考訳（メタデータ） (2026-07-16T11:44:48Z)
• 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)
• 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)
• DistDF: Time-Series Forecasting Needs Joint-Distribution Wasserstein Alignment [92.70019102733453]
  トレーニング時系列予測モデルは、モデル予測の条件分布とラベルシーケンスの条件分布の整合性を必要とする。 本研究では,条件予測とラベル分布との差を最小限に抑えてアライメントを実現するDistDFを提案する。
  論文  参考訳（メタデータ） (2025-10-28T16:09:59Z)
• SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
  本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。 第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
  論文  参考訳（メタデータ） (2025-10-22T16:11:22Z)
• 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)
• Learning Graph Structures and Uncertainty for Accurate and Calibrated Time-series Forecasting [65.40983982856056]
  本稿では,時系列間の相関を利用して時系列間の構造を学習し,精度の高い正確な予測を行うSTOICを紹介する。 幅広いベンチマークデータセットに対して、STOICは16%の精度とキャリブレーションのよい予測を提供する。
  論文  参考訳（メタデータ） (2024-07-02T20:14:32Z)
• Loss Shaping Constraints for Long-Term Time Series Forecasting [79.3533114027664]
  本稿では,長期時系列予測のための制約付き学習手法を提案する。 提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-14T18:20:44Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• All-Clear Flare Prediction Using Interval-based Time Series Classifiers [0.21028463367241026]
  オールクリアフレア予測は、非フレアインスタンスの予測に重点を置く太陽フレア予測の一種です。 偽陰性(ミス)を避けることと偽陽性(偽アラーム)を減らすことの適切なバランスを見つけることは、しばしば困難である。
  論文  参考訳（メタデータ） (2021-05-03T22:40:05Z)

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。