論文の概要: Vine Copula VAR:From Recursive Margins to Joint Forecast Inference

• arxiv url: http://arxiv.org/abs/2610.07589v2
• Date: Wed, 14 Oct 2026 03:21:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:14.984008
• Title: Vine Copula VAR:From Recursive Margins to Joint Forecast Inference
• Title（参考訳）: Vine Copula VAR:From Recursive Margins to Joint Forecast Inference
• Abstract要約: 共同イベント予測は、推定依存モデルと現在の限界予測を組み合わせる。 安定なVine Copula VARにおいて, 正常なイノベーションマージンと, 固定された正のガウスまたは正のクレイトンブドウを用いて, 終末推定値との連関関係を導出する。
• 参考スコア（独自算出の注目度）: 1.5781842475457006
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Joint-event forecasts combine an estimated dependence model with current marginal forecasts. Retaining historical transforms at the marginal fits available when each outcome arrived creates overlapping estimation errors. We derive their joint influence with the terminal estimates in a stable Vine Copula VAR with normal innovation margins and a fixed, correctly specified Gaussian or positive Clayton vine. An intercept identity and the stable VAR filter reduce the historical correction to harmonically weighted innovation moments. Terminal slope uncertainty remains in the forecast gradient. A feasible covariance estimator yields asymptotically valid repeated-sample intervals for fixed one-sided event probabilities at the realized forecast state. A same-family terminal refit provides the efficiency comparison. Retaining dated transforms adds a positive semidefinite limiting covariance term, whose event-level cost depends on dependence sensitivity and forecast-state leverage. Monte Carlo comparisons show a small accuracy cost of retaining the transforms and a larger inferential role for current marginal estimation. Allowing Clayton dependence improves downside forecasts relative to Gaussian dependence under each transform rule. A fourteen-variable U.S. real-time forecasting application and simulations with twenty and fifty variables illustrate feasible joint-event estimation and analytic inference for fixed-depth vines.
• Abstract（参考訳）: 共同イベント予測は、推定依存モデルと現在の限界予測を組み合わせる。 各結果が到達した時点で、履歴変換を限界に保持することは、重なり合う推定誤差を生み出す。 安定なVine Copula VARにおいて, 正常なイノベーションマージンと, 固定された正のガウスまたは正のクレイトンブドウを用いて, 終末推定値との連関関係を導出する。 インターセプトIDと安定したVARフィルタは、歴史的修正を調和的に重み付けされたイノベーションモーメントに還元する。 予測勾配には終端斜面の不確実性が残っている。 実現可能な共分散推定器は、現実の予測状態において、固定された一方の事象確率に対して漸近的に有効な繰り返しサンプル間隔を得る。 同族端末のリフィットは効率比較を提供する。 日付付き変換を保持することは、事象レベルのコストが依存感度と予測状態のレバレッジに依存する、正の半定値制限共分散項を追加する。 モンテカルロの比較は、変換を保持するためのわずかな精度のコストと、現在の限界推定により大きな推論的役割を示している。 クレイトン依存を認めることで、各変換規則の下でのガウス依存に対する下向きの予測が改善される。 14変数の米国リアルタイム予測アプリケーションと20変数と50変数のシミュレーションは、固定深度ブドウの有望なジョイントイベント推定と解析的推論を示している。

関連論文リスト

• Adaptive Multi-Scale Forecasting and Gate-Localized Conformal Prediction for Multivariate Nonstationary Time Series [7.704601239153111]
  ABF-T-GLCPは非定常時系列の予測と不確実性定量化のためのモデルに依存しないフレームワークである。 予測モジュールは、学習ゲートを通じて地平線固有の時間的専門家を結合し、スパース予測転送を使用して予測を洗練する。 不確実性モジュールであるGate-Localized Conformal Predictionは、学習されたゲート状態と時間的回帰を利用して、局所的に関連するキャリブレーション残差を選択する。
  論文  参考訳（メタデータ） (2026-07-25T11:46:38Z)
• Is Capability a Liability? More Capable Language Models Make Worse Forecasts When It Matters Most [11.4807141145402]
  逆スケーリングでは、より有能なモデルでは、超線形成長を伴う問題を予測し、状態変化の尾リスクを予測し、分布予測が悪化する。 このパターンはForecastBench-Simで、線形制御にマッチした合成SIRの流行を予測し、COVID-19、麻疹、住宅市場、ハイパーインフレの実際のデータセットに複製する。 この逆スケーリングは、LLM予測ベンチマークに共通する単一閾値のメトリクスには現れず、同一出力における能力-正確性関係のサインを逆転させる。
  論文  参考訳（メタデータ） (2026-05-21T16:14:33Z)
• 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)
• Predictive inference for time series: why is split conformal effective despite temporal dependence? [8.032656343027146]
  コンフォーマル予測法は、任意の iid または交換可能なデータ分布に対して、分布のないカバレッジを提供する。 自動回帰モデルのような過去の観測を利用する予測器は、この問題をさらに悪化させる。 この結果から, 時系列内の時間的依存が交換可能性に違反する程度を計測し, 新たな「スウィッチ係数」を用いて, これらの手法のカバレッジを損なうことが示唆された。
  論文  参考訳（メタデータ） (2025-10-02T18:24:04Z)
• Relational Conformal Prediction for Correlated Time Series [56.59852921638328]
  時系列における不確実性定量化の問題を相関配列を利用して解決する。 共形予測フレームワークと量子レグレッションに基づく分布自由な新しい手法を提案する。 我々の手法は正確なカバレッジを提供し、関連するベンチマークで最先端の不確実性定量化を実現する。
  論文  参考訳（メタデータ） (2025-02-13T16:12:17Z)
• Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
  我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。 この設定では、一般化されたクロスバリデーション推定器(GCV)がサンプル外リスクを正確に予測できないことを示す。 さらに、テストポイントがトレーニングセットと非自明な相関を持つ場合、時系列予測でしばしば発生する設定にまで分析を拡張します。
  論文  参考訳（メタデータ） (2024-08-08T17:27:29Z)
• Distribution-Free Finite-Sample Guarantees and Split Conformal Prediction [0.0]
  分割共形予測は、最小分布自由仮定の下で有限サンプル保証を得るための有望な道を表す。 1940年代に開発された分割共形予測と古典的寛容予測との関連性を強調した。
  論文  参考訳（メタデータ） (2022-10-26T14:12:24Z)
• CovarianceNet: Conditional Generative Model for Correct Covariance Prediction in Human Motion Prediction [71.31516599226606]
  本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。 我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
  論文  参考訳（メタデータ） (2021-09-07T09:38:24Z)

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。