論文の概要: A convolutional framework for detecting event-driven dynamics in energy price series

• arxiv url: http://arxiv.org/abs/2609.00402v2
• Date: Sat, 05 Sep 2026 10:53:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-09 22:37:20.329686
• Title: A convolutional framework for detecting event-driven dynamics in energy price series
• Title（参考訳）: エネルギー価格系列における事象駆動ダイナミクス検出のための畳み込みフレームワーク
• Abstract要約: 本稿では、異種事象駆動力学を検出するための一般的な畳み込みニューラルネットワークフレームワークを開発する。 誘導されたCNNクラスは、範囲、最大ドローアップ、最大ドローダウン、傾斜変化に基づく分類器を正確に表現していることを示す。 さらに、有限サンプルにおける代表規則の誤差境界と、それらの間の学習のためのオラクルの不等式を確立する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper develops a general convolutional neural network (CNN) framework for detecting heterogeneous event-driven dynamics in univariate time series windows. We show that the induced CNN class exactly represents classifiers based on range, maximum drawup, maximum drawdown and slope change, and uniformly approximates realised volatility and autoregressive explosiveness on compact domains. We further establish error bounds for representative rules in finite samples and an oracle inequality for learning across them. Simulations show that the proposed model can match or outperform classifiers based on individual statistics as the training sample grows. In an application to six daily energy price series, a hierarchical CNN distinguishes event windows and event families. Applied without retraining to observations withheld after 20 February 2026, the fitted model identifies predominantly geopolitical dynamics in several oil and refined product series around the outbreak of the 2026 Iran war, while distinguishing a contemporaneous natural gas spike associated with weather.
• Abstract（参考訳）: 本稿では、一変量時系列ウィンドウにおける異種事象駆動ダイナミクスを検出するための一般的な畳み込みニューラルネットワーク(CNN)フレームワークを開発する。 誘導されたCNNクラスは, 範囲, 最大ドローアップ, 最大ドローダウン, 斜面変動に基づく分類器を正確に表現し, コンパクト領域におけるボラティリティと自己回帰爆発性を均一に近似した。 さらに、有限サンプルにおける代表規則の誤差境界と、それらの間の学習のためのオラクルの不等式を確立する。 シミュレーションにより,学習サンプルが成長するにつれて,個々の統計値に基づいて,提案モデルが分類器の適合や性能を向上できることが示唆された。 6日間のエネルギー価格シリーズへの適用において、階層的なCNNはイベントウィンドウとイベントファミリを区別する。 2026年2月20日以降に行われた観測に再訓練を適用せずに適用されたこのモデルは、2026年のイラン戦争勃発前後のいくつかの石油・精製製品において、主に地政学的なダイナミクスを識別し、同時に気象に伴う同時的な天然ガスのスパイクを識別する。

関連論文リスト

• RAVEN: Real-time Autoregressive Video Extrapolation with Consistency-model GRPO [53.38929612273108]
  因果自己回帰ビデオ拡散モデルは、以前生成されたコンテンツから将来のチャンクを外挿することでリアルタイムストリーミング生成をサポートする。 本稿では,リアルタイム自動回帰ビデオ補間ネットワーク(RAVEN)を紹介した。これは,各自己ロールアウトを,クリーンな歴史的エンドポイントのインターリーブシーケンスに再パッケージするトレーニングタイムテストフレームワークである。
  論文  参考訳（メタデータ） (2026-05-14T17:59:30Z)
• Event Fields: Learning Latent Event Structure for Waveform Foundation Models [2.1975806262371282]
  本稿では,従来のシーケンスベース表現から外れた新しい波形基礎モデルを提案する。 局所トークンやパッチの集合体として信号を扱うのではなく、臨床的に意味のある構造は、時間的に拡張された相互作用イベントから生じると仮定する。
  論文  参考訳（メタデータ） (2026-05-09T04:49:56Z)
• Physics-Informed Diffusion Model for Generating Synthetic Extreme Rare Weather Events Data [0.0]
  伝統的なデータ拡張技術は、まれなカテゴリー4等価事象に特徴的な物理的一貫性と高強度勾配を維持するのに失敗する。 極端気象事象の合成多スペクトル衛星画像を生成するために,Context-UNetアーキテクチャに基づく物理インフォームド拡散モデルを提案する。
  論文  参考訳（メタデータ） (2026-03-06T18:54:55Z)
• Inference-time Stochastic Refinement of GRU-Normalizing Flow for Real-time Video Motion Transfer [0.7161783472741748]
  没入型ゲームのようなリアルタイムビデオモーション転送アプリケーションは、現実的な合成と堅牢な下流決定を支援するために、正確かつ多様な将来予測を必要とする。 このような逐次予測の多様性を改善するために,GRU-NF(Gated Recurrent Unit-Normalizing Flows)とサンプリング手法を組み合わせた新しい推論時間改善手法を提案する。 GRU-SNF(Gated Recurrent Unit- Normalizing Flows, GRU-SNF)は,より長い予測地平線の下でも精度を犠牲にすることなく,多様な出力を生成する上で,GRU-NFより優れていることを示す。
  論文  参考訳（メタデータ） (2025-12-03T21:47:30Z)
• Consistent World Models via Foresight Diffusion [56.45012929930605]
  我々は、一貫した拡散に基づく世界モデルを学習する上で重要なボトルネックは、最適下予測能力にあると主張している。 本稿では,拡散に基づく世界モデリングフレームワークであるForesight Diffusion(ForeDiff)を提案する。
  論文  参考訳（メタデータ） (2025-05-22T10:01:59Z)
• Dynamical Diffusion: Learning Temporal Dynamics with Diffusion Models [71.63194926457119]
  動的拡散(DyDiff, Dynamical Diffusion)は, 時間的に意識された前と逆のプロセスを含む理論的に健全なフレームワークである。 科学的時間的予測、ビデオ予測、時系列予測に関する実験は、動的拡散が時間的予測タスクのパフォーマンスを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2025-03-02T16:10:32Z)
• Spatial Reasoning with Denoising Models [49.83744014336816]
  本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。 初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。 これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
  論文  参考訳（メタデータ） (2025-02-28T14:08:30Z)
• Bayesian Conditional Diffusion Models for Versatile Spatiotemporal Turbulence Generation [13.278744447861289]
  本稿では,乱流発生の確率的拡散モデルに基づく新しい生成フレームワークを提案する。 提案手法の特長は, 自己回帰に基づく条件抽出に基づく長寿命流れ列生成法である。 数値解析実験により, フレームワークの多目的乱流発生能力を実証した。
  論文  参考訳（メタデータ） (2023-11-14T04:08:14Z)
• Continuous-time convolutions model of event sequences [46.3471121117337]
  イベントシーケンスは不均一でスパースであり、従来のモデルは不適当である。 我々は、時間とともに一様でない事象の発生を処理するために設計された効率的な畳み込みニューラルネットワークに基づくCOTICを提案する。 COTICは、次のイベント時間とタイプを予測する際に既存のモデルよりも優れており、最も近いライバルの3.714と比較して平均1.5のランクに達している。
  論文  参考訳（メタデータ） (2023-02-13T10:34:51Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
  イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。 基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
  論文  参考訳（メタデータ） (2020-02-21T23:10:50Z)

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。