論文の概要: Loss Choice or Model Choice? The Role of Forecast Level in Cryptocurrency Volatility Forecasting

• arxiv url: http://arxiv.org/abs/2609.27024v1
• Date: Tue, 22 Sep 2026 20:08:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.759941
• Title: Loss Choice or Model Choice? The Role of Forecast Level in Cryptocurrency Volatility Forecasting
• Title（参考訳）: 損失選択かモデル選択か : 暗号通貨変動予測における予測レベルの役割
• Abstract要約: 損失は異なるエラーを強調し、将来のボラティリティの異なる特性を目標にすることができる。 我々の貢献は損失の包括的評価とモデル選択であり、なぜ損失が生の比較にこれほど影響を及ぼすのかを示すものである。
• 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: Volatility forecasts play a central role in financial risk management because their overall level and day-to-day movements affect downstream decisions. Most studies compare forecasting models while keeping the training loss fixed. Yet losses emphasise different errors and can target different properties of future volatility, so raw comparisons may combine persistent forecast-level differences with differences in daily forecast movements. This leaves unresolved whether the importance of loss choice comes mainly from the forecast level it targets or from differences that remain after level adjustment. We address this gap through a comparison of seven losses and five models across major cryptocurrencies. Validation-based alignment adjusts the forecast level before the raw and aligned forecasts are evaluated using statistical scores and one-day Value-at-Risk. Before alignment, marginal score variation is greater across losses. After alignment, model choice becomes the larger source of variation in the full five-model comparison, while cross-loss differences in VaR breach rates narrow substantially. Our contribution is a comprehensive evaluation of loss and model choice that shows why losses can appear so influential in raw comparisons and how this interpretation changes when forecast level and downstream risk are considered explicitly.
• Abstract（参考訳）: ボラティリティ予測は、全体的なレベルと日々の動きが下流の決定に影響を与えるため、金融リスク管理において中心的な役割を果たす。 ほとんどの研究は、トレーニング損失を一定に保ちながら予測モデルを比較する。 しかし、損失は異なるエラーを強調し、将来のボラティリティの異なる特性を狙うことができるため、実際の比較は、予測レベルの違いと日々の予測運動の違いを永続的に組み合わせることができる。 このことは、損失選択の重要性が、主に目標とする予測レベルによるものなのか、あるいはレベル調整後に残る相違によるものなのかを未解決のまま残している。 主要な暗号通貨間での7つの損失と5つのモデルの比較を通じて、このギャップに対処する。 検証に基づくアライメントは、統計スコアと1日のバリュー・アット・リスクを用いて、生とアライメントの予測が評価される前に予測レベルを調整する。 アライメントの前には、限界スコアの変動は損失よりも大きい。 アライメント後、モデル選択は完全な5モデル比較において大きなバリエーションの源となり、VaR違反率のクロスロス差は大幅に狭まる。 我々の貢献は損失の包括的評価とモデル選択であり、なぜ損失が生の比較にこれほど影響を及ぼすのか、また予測レベルと下流リスクが明確に考慮されたときにどのように解釈が変化するのかを示すものである。

関連論文リスト

• 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)
• Same Error, Different Function: The Optimizer as an Implicit Prior in Financial Time Series [0.5405981353784005]
  テスト損失が同一である異なるモデル-トレーニング-ピペリンペアは、定性的に異なる関数を学習する。 不特定設定では、最適化は帰納バイアスの連続的な源として機能する、と結論付けている。
  論文  参考訳（メタデータ） (2026-03-03T05:47:19Z)
• Partial multivariate transformer as a tool for cryptocurrencies time series prediction [0.0]
  部分多変量戦略は,有意な統計的精度を達成し,情報信号と雑音のバランスを効果的に行うことを示す。 予測誤差の低さは、シミュレーションにおける高い金融リターンに一貫して変換されなかった。 この発見は、従来のエラーメトリクスへの依存に挑戦し、現実の財務目標とより整合した評価基準を開発する必要性を強調している。
  論文  参考訳（メタデータ） (2025-11-22T21:59:32Z)
• 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)
• 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)
• Multivariate Probabilistic Forecasting of Intraday Electricity Prices using Normalizing Flows [62.997667081978825]
  ドイツでは、日内電気価格は通常、EPEXスポット市場の1日当たりの価格に異なる時間帯で変動する。 本研究は,日頭契約の日内価格差をモデル化する確率論的モデリング手法を提案する。
  論文  参考訳（メタデータ） (2022-05-27T08:38:20Z)
• Learning to Predict Trustworthiness with Steep Slope Loss [69.40817968905495]
  本研究では,現実の大規模データセットにおける信頼性の予測問題について検討する。 我々は、先行技術損失関数で訓練された信頼性予測器が、正しい予測と誤った予測の両方を信頼に値するものとみなす傾向があることを観察する。 そこで我々は,2つのスライド状の曲線による不正確な予測から,特徴w.r.t.正しい予測を分離する,新たな急勾配損失を提案する。
  論文  参考訳（メタデータ） (2021-09-30T19:19:09Z)
• Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
  本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。 ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。 2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
  論文  参考訳（メタデータ） (2021-09-14T18:50:38Z)

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。