論文の概要: Graph-Based Modeling of Financial Volatility Dynamics

• arxiv url: http://arxiv.org/abs/2608.26127v1
• Date: Tue, 23 Jun 2026 01:31:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.354131
• Title: Graph-Based Modeling of Financial Volatility Dynamics
• Title（参考訳）: グラフに基づく金融ボラティリティダイナミクスのモデリング
• Abstract要約: リスク管理やデリバティブの価格設定には、実現可能なボラティリティの正確な予測(RV$)が不可欠である。 本稿では,ファイナンシャル・アウェア・グラフS時間ネットワーク(FA-GSTN)を提案する。 FA-GSTNは、$IV$表面からアテンポラルグラフシーケンスを構築し、ノードはグリッドポイントに対応し、適応的空間(日内)と明示的時間(日内)依存を符号化する。
• 参考スコア（独自算出の注目度）: 4.620926874870425
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate forecasting of realized volatility ($RV$) is crucial for risk management and derivatives pricing. Although the implied volatility ($IV$) surface offers rich informational content, prevailing methods that treat it as a static image fail to capture its inherent dynamics. To overcome this limitation, we propose the Finance-Aware Graph Spatio-Temporal Network (FA-GSTN), a novel architecture that reframes $RV$ forecasting as modeling the evolution of a structured financial object. FA-GSTN builds a spatio-temporal graph sequence from the $IV$ surface, where nodes correspond to grid points and edges encode adaptive spatial (intra-day) and explicit temporal (inter-day) dependencies. The model incorporates domain knowledge through finance-aware node features (e.g., option Greeks) and tackles high-frequency noise via a multi-scale temporal smoothing gate coupled with an adaptive robust loss function. Comprehensive evaluations on a large-scale equity options dataset show that FA-GSTN sets a new state of the art, delivering superior predictive accuracy ($R^2$ up to 0.473). It also demonstrates remarkable data efficiency, substantially outperforming strong Vision Transformer baselines when trained on only one year of data ($R^2$: 0.372 vs. 0.315). Furthermore, the model exhibits enhanced robustness during periods of market stress, such as 2020--2021. Ablation studies confirm the vital roles of the spatio-temporal graph structure, finance-aware components, and integrated noise-handling modules. Our work underscores the substantial benefits of explicitly modeling temporal dynamics and infusing financial inductive biases for accurate and robust volatility forecasting.
• Abstract（参考訳）: リスク管理やデリバティブの価格設定には、実現可能なボラティリティの正確な予測(RV$)が不可欠である。 インプリートボラティリティ(IV$)サーフェスは、豊富な情報コンテンツを提供するが、静的なイメージとして扱う一般的な方法は、その固有のダイナミクスをキャプチャできない。 この制限を克服するために、構造化金融オブジェクトの進化をモデル化するために、$RV$予測をリフレームする新しいアーキテクチャであるFundle-Aware Graph Spatio-Temporal Network (FA-GSTN)を提案する。 FA-GSTNは、$IV$の表面から時空間グラフシーケンスを構築し、ノードはグリッドポイントとエッジに対応し、適応的な空間(日内)と明示的な時間的(日内)依存関係を符号化する。 このモデルは、ファイナンス対応ノード機能(ギリシャ語オプションなど)を通じてドメイン知識を取り入れ、適応性のあるロバスト損失関数と結合したマルチスケールの時間平滑化ゲートを介して高周波ノイズに取り組む。 大規模なエクイティオプションデータセットに関する包括的な評価は、FA-GSTNが新たな最先端技術を設定し、より優れた予測精度(R^2$ 最大 0.473)を提供することを示している。 また、1年のデータ(R^2$:0.372 vs. 0.315)でトレーニングすると、Vision Transformerのベースラインを大幅に上回っている(R^2$:0.372 vs. 0.315)。 さらに、このモデルは、2020-2021のような市場ストレスの期間に強化された堅牢性を示す。 アブレーション研究は、時空間グラフ構造、ファイナンシャル・アウェア・コンポーネント、および統合ノイズ処理モジュールの不可欠な役割を検証している。 我々の研究は、時間的ダイナミクスを明示的にモデル化し、正確で堅牢なボラティリティ予測のための経済的帰納バイアスを注入することの実質的な利点を強調している。

関連論文リスト

• Financial time series augmentation using transformer based GAN architecture [0.0]
  本稿では,GAN(Generative Adrial Networks)が,金融分野におけるデータ不足を克服するためのデータ拡張ツールとして有効であることを示す。 具体的には,Transformer-based GAN (TTS-GAN) によって生成された合成データを用いたデータセット上でのLong Short-Term Memory (LSTM) 予測モデルのトレーニングにより,実データのみを用いた場合に比べて予測精度が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2026-02-19T22:02:09Z)
• ACT-Tensor: Tensor Completion Framework for Financial Dataset Imputation [2.3404331106562677]
  本稿では,アダプティブ・クラスタベースのテンソルスムージング・テンソル・コンプリート・フレームワーク(ACT-Tensor)を導入する。 ACT-Tensorは、欠落するデータレシスタンスの範囲で、計算精度の点で、最先端のベンチマークを一貫して上回っている。 その結果、ACT-Tensorは価格の誤差を減らすだけでなく、構築されたポートフォリオのリスク調整されたリターンを大幅に改善することがわかった。
  論文  参考訳（メタデータ） (2025-08-03T17:28:57Z)
• Dynamic graph neural networks for enhanced volatility prediction in financial markets [0.0]
  本稿では,グローバル金融市場を動的グラフとして表現するために,グラフニューラルネットワーク(GNN)を用いた新たなアプローチを提案する。 相関に基づくボラティリティ指標とボラティリティ指標を利用することで、テンポラルGATは、ボラティリティ予測の精度を高める有向グラフを構成する。
  論文  参考訳（メタデータ） (2024-10-22T09:52:15Z)
• FourierGNN: Rethinking Multivariate Time Series Forecasting from a Pure Graph Perspective [48.00240550685946]
  現在の最先端グラフニューラルネットワーク(GNN)ベースの予測手法は、通常、シリーズ間(空間)のダイナミックスとシリーズ内(時間)の依存関係をキャプチャするために、グラフネットワーク(GCNなど)と時間ネットワーク(LSTMなど)の両方を必要とする。 提案するフーリエグラフ演算子(FGO)を積み重ねて,フーリエ空間で行列乗算を行うことにより,新しいフーリエグラフニューラルネットワーク(FourierGNN)を提案する。 7つのデータセットに対する実験は、より効率が良く、パラメータも少ないという優れた性能を示した。
  論文  参考訳（メタデータ） (2023-11-10T17:13:26Z)
• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
  本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
  論文  参考訳（メタデータ） (2023-03-22T06:35:08Z)
• DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
  本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。 実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
  論文  参考訳（メタデータ） (2022-09-23T16:13:47Z)
• Low-Rank Temporal Attention-Augmented Bilinear Network for financial time-series forecasting [93.73198973454944]
  ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。 近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。 本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
  論文  参考訳（メタデータ） (2021-07-05T10:15:23Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。