論文の概要: Arbitrage-Aware Multi-Step Forecasting of Implied Volatility Surfaces: Modelling Surface Trajectories Using Latent Diffusion

• arxiv url: http://arxiv.org/abs/2608.22478v1
• Date: Sun, 23 Aug 2026 16:04:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 18:24:36.977986
• Title: Arbitrage-Aware Multi-Step Forecasting of Implied Volatility Surfaces: Modelling Surface Trajectories Using Latent Diffusion
• Title（参考訳）: 傾斜揮発性表面の任意型マルチステップ予測:潜時拡散による表面軌道のモデル化
• Abstract要約: インプリッド・ボラティリティはオプション市場を要約し、多くの金融アプリケーションの中心となっている。 そこで本稿では, インプリートボラティリティ表面の30段階の連成軌道とそれに基づくリターンを生成するための条件付き潜時拡散フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 6.623217355591568
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Implied volatility surfaces summarise the option market and are central to many financial applications. Forecasting their future evolution requires modelling two-dimensional geometry, temporal dependence, and predictive uncertainty while preserving economic admissibility. We propose a conditional latent diffusion framework for generating joint 30-step trajectories of implied volatility surfaces and underlying returns. An arbitrage-aware autoencoder learns a low-dimensional surface representation, while the diffusion model captures the conditional joint evolution. Evaluated on SPX surfaces, the framework generates realistic probabilistic multi-step scenarios while also outperforming the persistence benchmark in point forecasting.
• Abstract（参考訳）: インプリッド・ボラティリティ(英語版)はオプション市場を要約し、多くの金融アプリケーションの中心となっている。 将来の進化を予測するには、経済的な許容性を維持しながら二次元幾何学、時間的依存、予測の不確実性をモデル化する必要がある。 そこで本稿では, インプリートボラティリティ表面の30段階の連成軌道とそれに基づくリターンを生成するための条件付き潜時拡散フレームワークを提案する。 仲裁対応オートエンコーダは低次元表面表現を学習し、拡散モデルは条件付き関節の進化をキャプチャする。 SPXの面から評価すると、このフレームワークは現実的な確率的多段階シナリオを生成すると同時に、点予測において永続性ベンチマークを上回ります。

関連論文リスト

• Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
  最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。 直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。 我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
  論文  参考訳（メタデータ） (2026-01-26T03:52:16Z)
• Tractable Probabilistic Models for Investment Planning [0.8916762347908103]
  発電や送電の拡充などの電力事業への投資計画には、深刻な不確実性の下で10年にわたる予測が必要である。 本稿では, トラクタブル確率モデル(TPM), 特にサプライズネットワーク(SPN)を用いた代替手法を提案する。 TPMは、シナリオ可能性、限界、条件付き確率などの重要な量の正確でスケーラブルな推論を可能にする。
  論文  参考訳（メタデータ） (2025-11-17T20:23:34Z)
• Quantile Regression, Variational Autoencoders, and Diffusion Models for Uncertainty Quantification: A Spatial Analysis of Sub-seasonal Wind Speed Prediction [0.0]
  本研究の目的は, 大規模大気予測器から表層風速を回帰する際の不確実性の表現を改善することである。 確率論的ディープラーニングモデルは、複雑な空間依存をキャプチャするための有望なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-10-19T18:26:46Z)
• ScenGAN: Attention-Intensive Generative Model for Uncertainty-Aware Renewable Scenario Forecasting [11.600987173982107]
  本稿では,再生可能エネルギーとディープラーニングの領域における不確実性について考察する。 不確実性認識モデルは、再生可能シナリオ予測のために慎重に設計されている。 処理層における気象情報、予報、歴史的軌跡の統合により、相乗的予測能力が向上する。
  論文  参考訳（メタデータ） (2025-09-21T15:18:51Z)
• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-24T21:44:31Z)
• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
  気象予報に拡散モデル(DM)を適用した新しい手法を提案する。 提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。 我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
  論文  参考訳（メタデータ） (2024-02-06T21:28:42Z)
• 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)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。