論文の概要: Target alignment, dilution and forecast selection when cross-sectional forecasts share a common target

• arxiv url: http://arxiv.org/abs/2609.26303v1
• Date: Tue, 22 Sep 2026 12:12:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.355341
• Title: Target alignment, dilution and forecast selection when cross-sectional forecasts share a common target
• Title（参考訳）: 横断予測が共通の目標を共有する場合の目標アライメント、希釈、予測選択
• Abstract要約: すべての標準化された予測が、ひとつの共通目標とそれと無関係なコンポーネントに正確に一致したコンポーネントに分割されることを示す。 予測エラー相関は主に予測相関を反映しており、したがって多様性の指標として不十分である。 均等に重み付けされた組み合わせは、平均アライメントが結合の分散に対して大きい場合にのみ、情報なし予測を破る。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Forecasters often score the same units per date against one standardized realized outcome. We show that every standardized forecast splits exactly into a component aligned with this common target and a component uncorrelated with it. Three consequences follow: forecast-error correlation largely mirrors forecast correlation and is therefore a poor measure of diversity; an equally weighted combination beats a no-information forecast only when average alignment is large relative to the combination's dispersion; and the gain from adding a forecaster separates into genuine improvement and mere dilution, which equal-weight admission can mistakenly reward. We develop a cautious selection rule, study it in simulations, and apply it to language-model forecasts of US equity rankings and mechanical signals ranking exchange-traded funds. Selection removes most dilution losses, but no combination beats the no-information forecast.
• Abstract（参考訳）: フォアキャスターは、1つの標準化された実現された結果に対して、日付ごとに同じ単位をスコアすることが多い。 標準化された予測はすべて、この共通目標とそれとは無関係なコンポーネントに正確に分割されていることを示す。 予測エラー相関は、予測相関を概ね反映し、したがって多様性の低い尺度であり、等重な組み合わせは、結合の分散に対して平均的なアライメントが大きい場合にのみ、非情報予測を打ち負かし、予測器の追加による利得は、真の改善と単なる希釈に分離され、等重の入場が誤って報われる。 我々は、慎重な選択規則を策定し、それをシミュレーションで研究し、米国株式ランキングの言語モデル予測や為替取引ファンドの機械信号予測に適用する。 選択によってほとんどの希釈損失は取り除かれるが、組み合わせが非情報予測を破ることはない。

関連論文リスト

• Hierarchical Exponential-Gaussian Mixtures for Watch-Time Distribution Prediction [74.05279072166697]
  Exponential-Gaussian Mixture Network (EGMN) は完全な条件WT分布をモデル化する。 EGMNは分散崩壊、コンポーネントの冗長性、不活性成分に弱い。 本稿では,これらの故障モードに対処する階層型指数-ガウス混合(HEGM)モデルを提案する。
  論文  参考訳（メタデータ） (2026-08-24T15:06:18Z)
• Forecast Collapse in Time-Series Foundation Models [35.06550187645666]
  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。
  論文  参考訳（メタデータ） (2026-08-14T09:08:02Z)
• REGAIN: REconciliation GAIN-driven Auxiliary Direction Learning [12.590383160848141]
  本稿では,正規化された補助方向を学習する和解利得フレームワークを提案する。 有効な補助指示は未解決の標的不確実性について補完的な情報を提供する必要があることを示す。 北京PM2.5とオーストラリア観光データの実験では、ゲイン選択された測定値が通常の多変量と階層予測の両方を改善することが示されている。
  論文  参考訳（メタデータ） (2026-06-03T02:53:27Z)
• 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)
• Forests of Uncertaint(r)ees: Using tree-based ensembles to estimate probability distributions of future conflict [0.0]
  我々は、従来の点予測から完全な予測分布へ移行し、紛争予測の不確実性を定量化する戦略を開発する。 モデルは、最大1年前の予測において、コンフリクト履歴から派生したベンチマークスイートを一貫して上回ることができる。 我々は,計量が与えられた予測問題に対してどのように振る舞うかを理解する必要があることを強調する。
  論文  参考訳（メタデータ） (2025-12-05T23:10:16Z)
• Conformal Prediction Sets with Improved Conditional Coverage using Trust Scores [52.92618442300405]
  有限サンプルにおいて、正確に分布のない条件付きカバレッジを達成することは不可能である。 本稿では,最も重要となる範囲を対象とするコンフォメーション予測アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-01-17T12:01:56Z)
• Semiparametric conformal prediction [79.6147286161434]
  ベクトル値の非整合性スコアの結合相関構造を考慮した共形予測セットを構築する。 スコアの累積分布関数(CDF)を柔軟に推定する。 提案手法は,現実の回帰問題に対して,所望のカバレッジと競争効率をもたらす。
  論文  参考訳（メタデータ） (2024-11-04T14:29:02Z)
• Attention-Based Ensemble Pooling for Time Series Forecasting [55.2480439325792]
  本稿では,候補モデル予測よりも重み付き平均値を実行するプーリング法を提案する。 本手法は,非定常ロレンツ63方程式の動力学の多段階予測と,COVID-19による週次死亡事故の1段階予測という2つの時系列予測問題に対して試行する。
  論文  参考訳（メタデータ） (2023-10-24T22:59:56Z)
• A hybrid ensemble method with negative correlation learning for regression [2.8484009470171943]
  ヘテロジニアスモデルプールからサブモデルを自動的に選択および重み付けする。 内部点フィルタリング線形探索アルゴリズムを用いて最適化問題を解く。 本研究の価値は、その使いやすさと有効性にあるため、ハイブリッドアンサンブルは多様性と正確性を受け入れることができる。
  論文  参考訳（メタデータ） (2021-04-06T06:45:14Z)

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。