論文の概要: Learning to Detect Symbolic Failure: Machine Learning and the Limits of Black-Scholes

• arxiv url: http://arxiv.org/abs/2609.27764v1
• Date: Mon, 24 Aug 2026 02:50:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.961489
• Title: Learning to Detect Symbolic Failure: Machine Learning and the Limits of Black-Scholes
• Title（参考訳）: 象徴的失敗を検出するための学習: 機械学習とブラックスクールの限界
• Abstract要約: 機械学習は260万のリアルオプションコントラクトを使用して、ブラックスクールからの体系的な逸脱を検出することができるか? 学習された抽象埋め込み(PCA)、保存されたドメイン構造(ツリーベースアンサンブル)、ニューラルネットワーク検証の3つを比較した。 専門家が設計した象徴的特徴を持つドメインでは、構造を保存することが学習抽象化を上回ると結論付けている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We treat options pricing as a representation problem: can machine learning detect systematic deviations from Black-Scholes using 2.6M real option contracts? We compare three regimes: learned abstract embeddings (Kernel PCA), preserved domain structure (tree-based ensembles), and neural network validation. Tree-based methods outperform kernel dimensionality reduction by 21.5 percentage points (93.8% vs 72.3%), and domain-expert features (Greeks, moneyness) outperform engineered features. NN-based and BS-based deviation labels agree 99.9974% of the time, suggesting deviations reflect market structure rather than model artifact. We conclude that in domains with expert-designed symbolic features, preserving structure beats learning abstractions. We make no claim of exploitable mispricings.
• Abstract（参考訳）: 機械学習は260万のリアルオプションコントラクトを使用して、ブラックスクールからの体系的な逸脱を検出することができるか? 学習した抽象埋め込み(カーネルPCA)、保存されたドメイン構造(ツリーベースアンサンブル)、ニューラルネットワークの検証の3つを比較した。 ツリーベースの手法ではカーネル次元の減少率が21.5ポイント(93.8%対72.3%)、ドメインエキスパート機能(グレーク、マネーネス)はエンジニアリングされた機能より優れていた。 NNとBSをベースとした偏差ラベルは99.9974%の時期に一致しており、偏差はモデルアーティファクトではなく市場構造を反映していることを示唆している。 専門家が設計した象徴的特徴を持つドメインでは、構造を保存することが学習抽象化を上回ると結論付けている。 我々は悪用可能な過ちを主張しない。

関連論文リスト

• Automating the Expert Eye: A System-Agnostic Deep Learning Framework for Rare Event Discovery in Imbalanced Force Spectroscopy [0.0]
  自動SMFSトリアージにおける極端なクラス不均衡を克服するために,システムに依存しない,解釈可能なディープラーニングフレームワークを提案する。 我々はこの枠組みをR. champanellensis cellulosomeの複雑な機械的展開経路で評価した。 経験的に二重重み付けされたトリアージシステムを実装することで、パイプラインは自動的に880のバックグラウンドノイズトレースを破棄した。
  論文  参考訳（メタデータ） (2026-06-08T14:24:58Z)
• The Deterministic Horizon: When Extended Reasoning Fails and Tool Delegation Becomes Necessary [13.891522069967507]
  拡張連鎖推論は決定論的状態追跡タスクのパフォーマンスを低下させる。 ツール統合推論がニューラル・チェーン・オブ・シントを一貫して上回ることを示す。 本研究は, エージェントシステムにおいて, 純粋なニューラル推論がハイブリッドアプローチにいつ適用されるべきかについて, 基本的ガイダンスを提供する。
  論文  参考訳（メタデータ） (2026-05-29T21:35:23Z)
• Does Your Neural Network Extrapolate? Feature Engineering as Identifiability Bias for OOD Generalization [1.0989593035411862]
  ディープニューラルネットワークが成功すると、データの健全な特徴が見つかる。 In-distriion (ID)トレーニングウィンドウからOOD(out-of-distriion)関連表現をいつ、なぜ学習しないのかを示す。
  論文  参考訳（メタデータ） (2026-05-08T09:25:52Z)
• Learning Structural Hardness for Combinatorial Auctions: Instance-Dependent Algorithm Selection via Graph Neural Networks [0.0]
  オークションにおける勝者決定問題はNPハードである。 既存の方法では、どのインスタンスが高速なグリーディを倒すかを確実に予測することはできません。 近年の証拠は、グラフニューラルネットワーク(GNN)が、よく調整された古典的手法を上回ることは滅多にないことを示している。
  論文  参考訳（メタデータ） (2026-02-16T14:26:25Z)
• Exact Certification of (Graph) Neural Networks Against Label Poisoning [50.87615167799367]
  グラフニューラルネットワーク(GNN)におけるラベルフリップの正確な認証手法を提案する。 本稿では,ノード分類タスクにおける広範囲なGNNアーキテクチャの認証に本手法を適用した。 私たちの研究は、ニューラルネットワークによって引き起こされた毒殺攻撃に対する最初の正確な認証を提示します。
  論文  参考訳（メタデータ） (2024-11-30T17:05:12Z)
• Semantic Loss Functions for Neuro-Symbolic Structured Prediction [74.18322585177832]
  このような構造に関する知識を象徴的に定義した意味的損失をトレーニングに注入する。 記号の配置に非依存であり、それによって表現される意味論にのみ依存する。 識別型ニューラルモデルと生成型ニューラルモデルの両方と組み合わせることができる。
  論文  参考訳（メタデータ） (2024-05-12T22:18:25Z)
• Enhancing Robust Representation in Adversarial Training: Alignment and Exclusion Criteria [61.048842737581865]
  対人訓練 (AT) は, 頑健な特徴の学習を省略し, 対人的頑健さの低下を招いた。 非対称な負のコントラストと逆の注意によって、頑健な表現を得るためのATの一般的なフレームワークを提案する。 3つのベンチマークデータセットの実証評価により,ATの堅牢性を大幅に向上し,最先端の性能を実現することができた。
  論文  参考訳（メタデータ） (2023-10-05T07:29:29Z)
• SmoothNets: Optimizing CNN architecture design for differentially private deep learning [69.10072367807095]
  DPSGDは、サンプルごとの勾配の切り抜きとノイズ付けを必要とする。 これにより、非プライベートトレーニングと比較してモデルユーティリティが削減される。 SmoothNetと呼ばれる新しいモデルアーキテクチャを蒸留し,DP-SGDトレーニングの課題に対するロバスト性の向上を特徴とした。
  論文  参考訳（メタデータ） (2022-05-09T07:51:54Z)
• Provable tradeoffs in adversarially robust classification [96.48180210364893]
  我々は、ロバストなイソペリメトリに関する確率論の最近のブレークスルーを含む、新しいツールを開発し、活用する。 この結果から,データの不均衡時に増加する標準精度とロバスト精度の基本的なトレードオフが明らかになった。
  論文  参考訳（メタデータ） (2020-06-09T09:58:19Z)

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。