論文の概要: Structured SDEs for Realized GARCH: Continuous-Time Volatility Modelling and Component-Level Analysis

• arxiv url: http://arxiv.org/abs/2610.17732v1
• Date: Tue, 13 Oct 2026 05:11:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 17:31:50.545779
• Title: Structured SDEs for Realized GARCH: Continuous-Time Volatility Modelling and Component-Level Analysis
• Title（参考訳）: 実時間GARCHのための構造化SDE:連続時間ボラティリティモデリングと成分レベル解析
• Abstract要約: 本研究では,1日ごとの統合分散予測のための構造化された連続時間変動モデルを提案する。 このモデルは、潜在分散力学に直接供給する共同進化した実測状態を導入する。 パラメータはシミュレーションベースの予測学習によって推定され、モンテカルロシミュレーションは統合分散を予測する。
• 参考スコア（独自算出の注目度）: 30.346712575888336
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a structured continuous-time stochastic volatility model for one-day-ahead integrated-variance forecasting. The model introduces a jointly evolving realized-measure state that feeds directly into latent variance dynamics, while correlated Brownian innovations capture return-linked dependence. Parameters are estimated through simulation-based predictive learning, and Monte Carlo simulation forecasts integrated variance. Across 17 equity indices, the proposed model shows strong out-of-sample performance relative to GARCH, GARCH-Itô, Realized GARCH, HAR, and HEAVY benchmarks under QLIKE, MSE, and MAE. Ablation results show that realized-measure feedback provides substantial incremental forecasting value within the proposed framework, while return-linked Brownian dependence contributes more modest complementary gains. The results support incorporating measurement-driven information directly into continuous-time latent volatility dynamics to improve integrated-variance forecasting.
• Abstract（参考訳）: 本研究では,1日ごとの統合分散予測のための構造化された連続時間確率的ボラティリティモデルを提案する。 このモデルは、遅延分散力学に直接供給する共進化した実測状態を導入し、相関したブラウンの革新はリターンリンク依存を捉えている。 パラメータはシミュレーションベースの予測学習によって推定され、モンテカルロシミュレーションは統合分散を予測する。 GARCH, GARCH-Itô, Realized GARCH, HAR, HEAVYベンチマークに対して, QLIKE, MSE, MAEの17株に対して, サンプル外性能が強い。 アブレーションの結果、実測フィードバックは提案フレームワーク内でかなりの漸進的な予測値をもたらし、一方、リターンリンクされたブラウン依存は、より控えめな相補的な利得に寄与することが示された。 その結果、測定駆動情報を直接連続時間潜時変動力学に組み込むことで、統合分散予測を改善することができた。

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)
• Regime-Gated Residual Mixture-of-Experts for Cross-Sectional Volatility Forecasting [2.4235475271758076]
  本研究では,米国株1027株の5日間の実効変動予測をウォークフォワード評価フレームワークを用いて検討した。 本稿では,RG-ResMoEを提案する。
  論文  参考訳（メタデータ） (2026-08-12T16:51:51Z)
• Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
  本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。 このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。 多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
  論文  参考訳（メタデータ） (2026-05-28T13:26:53Z)
• Factorize to Generalize: Retrieval-Guided Invariant-Dynamic Decomposition for Time Series Forecasting [64.2640656619583]
  時系列基礎モデル (TSFM) は, 大規模事前学習と検索強化予測により, ゼロショット予測性能が向上した。 本稿では時系列予測のための検索誘導不変動的分解フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-24T07:31:55Z)
• GARCH-FIS: A Hybrid Forecasting Model with Dynamic Volatility-Driven Parameter Adaptation [5.461112265573671]
  本稿では、ファジィ推論システム(FIS)と一般化自己回帰ヘテロスケダスティック性(GARCH)モデルを統合し、非線形力学と時間変動ボラティリティを併用する。 提案したGARCH-FISモデルは、予測精度と安定性の点でベンチマークモデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2026-03-16T03:50:00Z)
• Volatility Modeling via EWMA-Driven Time-Dependent Hurst Parameters [0.0]
  分散駆動指数重み移動平均(EWMA)時間依存Hurstパラメータ$H_t$を特徴とする新しい粗いベルゴミモデルを提案する。 我々のフレームワークは、粗経路理論に基づく統一的粗微分方程式 (RDE) の定式化の先駆者である。 その結果,従来の定数Hurstモデルよりも顕著な改善が見られた。
  論文  参考訳（メタデータ） (2025-09-06T19:55:52Z)
• Loss-based Bayesian Sequential Prediction of Value at Risk with a Long-Memory and Non-linear Realized Volatility Model [3.00982257854028]
  リスク予測(VaR)には,長期記憶と非線形実現ボラティリティモデルクラスが提案されている。 このモデルはRNN-HARと呼ばれ、異種自己回帰(HAR)モデルを拡張している。 連続モンテカルロによる損失に基づく一般化ベイズ予想は、モデル推定と逐次予測に使用される。
  論文  参考訳（メタデータ） (2024-08-24T14:17:31Z)
• Deep Learning Enhanced Realized GARCH [6.211385208178938]
  本稿では,深層学習(LSTM)とボラティリティ対策の併用によるボラティリティモデリングの新しい手法を提案する。 このLSTMで強化されたGARCHフレームワークは、金融経済学、高周波取引データ、ディープラーニングによるモデリングの進歩を取り入れ、蒸留する。
  論文  参考訳（メタデータ） (2023-02-16T00:20:43Z)
• Gated Recurrent Neural Networks with Weighted Time-Delay Feedback [55.596897987498174]
  本稿では,重み付き時間遅延フィードバック機構を備えたゲートリカレントユニット(GRU)を導入し,時系列データの長期依存性をモデル化する手法を提案する。 提案したモデルである $tau$-GRU は、繰り返し単位の連続時間定式化の離散版であり、力学は遅延微分方程式(DDE)によって制御される。
  論文  参考訳（メタデータ） (2022-12-01T02:26:34Z)
• Time varying regression with hidden linear dynamics [74.9914602730208]
  線形力学系に従って未知のパラメータが進化することを前提とした時間変化線形回帰モデルを再検討する。 反対に、基礎となる力学が安定である場合、このモデルのパラメータは2つの通常の最小二乗推定と組み合わせることで、データから推定できることが示される。
  論文  参考訳（メタデータ） (2021-12-29T23:37:06Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。