論文の概要: (Mis)Understanding Benign Overfitting in Equity Return Prediction

• arxiv url: http://arxiv.org/abs/2608.23761v1
• Date: Mon, 24 Aug 2026 18:54:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.560855
• Title: (Mis)Understanding Benign Overfitting in Equity Return Prediction
• Title（参考訳）: (ミス)等価リターン予測における良性オーバーフィッティング
• Abstract要約: 我々は、この良質な過適合現象が、株式リターン予測にまで及んでいるかどうかを考察する。 まず、リッジレスモデルの予測リスクの二重降下パターン、次に、最適リッジモデルが常にリッジレスモデルよりも優れているのに対して、この性能ギャップは大きなパラメーター対オブザーブレーション比で無視される。
• 参考スコア（独自算出の注目度）: 14.203404489519242
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Highly overparameterized models often predict well despite interpolating training data in complex domains, challenging the classical bias--variance tradeoff. We investigate whether this ``benign overfitting'' phenomenon extends to equity return prediction. Consistent with recent statistical theory, we document two key phenomena: first, a double descent pattern in the ridgeless model's prediction risk; and second, that while the optimal ridge model consistently outperforms its ridgeless counterpart, this performance gap becomes negligible at large parameter-to-observation ratios. Ultimately, however, both models fail to outperform a simple historical average. This empirical evidence aligns with our asymptotic results under the null hypothesis of zero slope coefficients, suggesting that standard equity predictors lack true forecasting power---even within highly flexible, nonlinear machine learning architectures. These findings reconcile modern and classical machine learning in asset pricing: in the absence of a true signal, they asymptotically collapse to the historical average benchmark.
• Abstract（参考訳）: 複雑な領域でのトレーニングデータを補間しているにもかかわらず、過度にパラメータ化されたモデルはよく予測され、古典的なバイアス-分散トレードオフに挑戦する。 我々は、この「良心過剰」現象が、株式返却予測にまで及んでいるかどうかを考察する。 近年の統計理論と矛盾する2つの重要な現象について述べる。第一に、尾根なしモデルの予測リスクにおける二重降下パターン、第二に、最適尾根モデルは尾根なしモデルよりも一貫して優れているが、この性能ギャップは大きなパラメーター対オブザーバ比で無視される。 しかし、いずれのモデルも単純な歴史的平均を上回りません。 この実証的な証拠は、ゼロ傾き係数のゼロ仮説の下での漸近的な結果と一致しており、標準エクイティ予測器は、高柔軟性で非線形な機械学習アーキテクチャにおいても、真の予測パワーを欠いていることを示唆している。 これらの発見は、資産価格で現代の機械学習と古典的な機械学習を整合させ、真の信号がないと、それらは歴史的平均ベンチマークに漸近的に崩壊する。

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)
• Benign Overfitting Does Not Occur in Diffusion Models [33.8340803958907]
  拡散モデルは標準的なディープラーニングの機械の多くを共有している。 データ次元に比例してサンプルサイズが指数関数的に増加しない限り、オーバーフィットと良い一般化は同時には起こらないことを示す。 このような過度な適合を防ぐメカニズムとして,スコアの時間平滑化とトレーニング中の早期停止から生じる暗黙の正則化を同定した。
  論文  参考訳（メタデータ） (2026-07-02T18:05:23Z)
• Double descent for least-squares interpolation on contaminated data: A simulation study [0.0]
  二重降下」は、ある複雑性モデルが到達した後に一般化誤差が減少することを示している。 我々は、非常にロバストでない最小二乗推定器の性能を、いくつかの頑健な代替品と比較する。 大きなオーバーパラメトリゼーションは実際には二重降下現象を許容し、最小二乗補間器の非常に良い一般化性能をもたらすことが判明した。
  論文  参考訳（メタデータ） (2026-04-15T16:31:23Z)
• Forecast collapse of transformer-based models under squared loss in financial time series [0.0]
  弱条件構造を持つ時系列の2乗損失下での軌跡予測について検討した。 我々は、将来の軌道の条件付き期待が効果的に縮退する体制を強調した。 モデル表現率の向上は予測精度を向上させるものではなく、代わりに最適な予測器の周囲に突発的な軌道変動をもたらす。
  論文  参考訳（メタデータ） (2026-03-31T09:06:52Z)
• Predictively Oriented Posteriors [4.135680181585462]
  我々はパラメータ推定と密度推定の両方の最も望ましい側面を組み合わせた新しい統計原理を提唱する。 PrO後部は予測最適モデル平均に$n-1/2$で収束する。 平均場ランゲヴィン動力学に基づく進化粒子からPrO後部を採取できることが示される。
  論文  参考訳（メタデータ） (2025-10-02T11:33:26Z)
• The Surprising Harmfulness of Benign Overfitting for Adversarial Robustness [13.120373493503772]
  根拠的真理そのものが敵の例に対して堅牢であるとしても、標準のアウト・オブ・サンプルのリスク目標の観点から見れば、明らかに過適合なモデルは良性である、という驚くべき結果が証明されます。 我々の発見は、実際に観察されたパズリング現象に関する理論的洞察を与え、真の標的関数(例えば、人間)は副次的攻撃に対して堅牢であり、一方、当初過適合のニューラルネットワークは、堅牢でないモデルに導かれる。
  論文  参考訳（メタデータ） (2024-01-19T15:40:46Z)
• A U-turn on Double Descent: Rethinking Parameter Counting in Statistical Learning [68.76846801719095]
  二重降下がいつどこで起こるのかを正確に示し、その位置が本質的に閾値 p=n に結び付けられていないことを示す。 これは二重降下と統計的直観の間の緊張を解消する。
  論文  参考訳（メタデータ） (2023-10-29T12:05:39Z)
• Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
  多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。 構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。 この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
  論文  参考訳（メタデータ） (2023-09-02T01:27:53Z)
• Bias in Pruned Vision Models: In-Depth Analysis and Countermeasures [93.17009514112702]
  ニューラルネットワークのパラメータのかなりの部分集合をゼロに設定するプルーニングは、モデル圧縮の最も一般的な方法の1つである。 この現象の既存の証拠にもかかわらず、ニューラルネットワークのプルーニングと誘導バイアスの関係はよく理解されていない。
  論文  参考訳（メタデータ） (2023-04-25T07:42:06Z)
• Monotonicity and Double Descent in Uncertainty Estimation with Gaussian Processes [52.92110730286403]
  限界確率はクロスバリデーションの指標を思い起こさせるべきであり、どちらもより大きな入力次元で劣化すべきである、と一般的に信じられている。 我々は,ハイパーパラメータをチューニングすることにより,入力次元と単調に改善できることを証明した。 また、クロスバリデーションの指標は、二重降下の特徴である質的に異なる挙動を示すことも証明した。
  論文  参考訳（メタデータ） (2022-10-14T08:09:33Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• Don't Just Blame Over-parametrization for Over-confidence: Theoretical Analysis of Calibration in Binary Classification [58.03725169462616]
  理論上は、過剰パラメトリゼーションは過剰信頼の唯一の理由ではない。 我々は、ロジスティック回帰は本質的に信頼過剰であり、実現可能で、非パラメータな設定であることを示す。 おそらく驚くことに、過剰な信頼が常にそうであるとは限らないことも示します。
  論文  参考訳（メタデータ） (2021-02-15T21:38:09Z)

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。