論文の概要: Discovery of Diverse and Realistic Financial Tail-Risk Using Generative Flow Networks
- arxiv url: http://arxiv.org/abs/2610.38838v1
- Date: Wed, 28 Oct 2026 20:26:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-31 05:25:12.415254
- Title: Discovery of Diverse and Realistic Financial Tail-Risk Using Generative Flow Networks
- Title（参考訳）: ジェネレーティブフローネットワークを用いたディバースおよびリアルファイナンシャルテールリスクの発見
- Abstract要約: 本稿では、GFlowNets(Generative Flow Networks)を用いて、多種多様な財務リスクシナリオを生成するGRIDを提案する。
GRIDは連続的なGFlowNet上に構築されており、高次元、シーケンシャルなマクロ・ファイナンシャルなデータに対して、変数固有の分散ファミリを持つフレキシブルな混合政治アーキテクチャを導入している。
- 参考スコア（独自算出の注目度）: 3.845877724862319
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate modeling of rare, high-impact financial events is essential for robust risk management. Sampling-based techniques such as Sequential Markov Chain Monte Carlo (SMCMC) generate diverse scenarios but inefficiently explore high-risk regions, while Deep Reinforcement Learning (DRL) converges on narrow sets of scenarios, limiting diversity. We present GRID, which uses Generative Flow Networks (GFlowNets) -- samplers that draw objects in proportion to a reward -- to systematically generate diverse and realistic financial tail-risk scenarios. Building on continuous GFlowNets, GRID introduces a flexible mixture-policy architecture with variable-specific distribution families for high-dimensional, sequential macro-financial data, together with plausibility constraints that keep generated trajectories realistic. A central practical advantage is robustness to reward-proxy imperfection: because GFlowNets sample proportionally rather than maximize, they remain broadly exploratory even when the oracle's out-of-sample accuracy is low -- an unavoidable reality in financial forecasting. On three real-world crises, GRID improves scenario diversity, realism, and tail-risk coverage over RL and MCMC baselines, and ablations over oracle architectures and distribution families yield practical insights into continuous GFlowNet behavior under noisy rewards.
- Abstract（参考訳）: リスク管理の堅牢化には,レア・ハイインパクトな金融イベントの正確なモデリングが不可欠である。
SMCMC(Sequential Markov Chain Monte Carlo)のようなサンプリングベースのテクニックは多様なシナリオを生成するが、高リスク領域を非効率に探索する一方、Deep Reinforcement Learning(DRL)は狭いシナリオに収束し、多様性を制限する。
GFlowNets(Generative Flow Networks) – 報酬に比例してオブジェクトを描画するサンプルを使用するGRIDを使用して,多様で現実的な財務リスクシナリオを体系的に生成する。
GRIDは、連続的なGFlowNet上に構築され、高次元、シーケンシャルなマクロ・ファイナンシャルデータのための可変固有分布列を持つフレキシブルな混合政治アーキテクチャと、生成した軌跡を現実的に維持する可視性制約を導入している。
GFlowNetは最大ではなく比例的にサンプルを採取するので、オラクルのアウト・オブ・サンプルの精度が低い場合でも広い範囲で探索的であり、金融予測では避けられない現実である。
3つの現実世界の危機において、GRIDはシナリオの多様性、リアリズム、RLとMCMCのベースラインに対するテールリスクカバレッジを改善し、オラクルアーキテクチャと流通ファミリーに対する改善により、ノイズの多い報酬の下での継続的なGFlowNetの振る舞いに関する実践的な洞察を得る。
関連論文リスト
- Taming the Implicit: Dual-Channel Risk-Aware Reinforcement Fine-Tuning for Continual Multimodal Post-Training [15.04239819634502]
顕著なタスク分布シフトの下では、代表的RFTアルゴリズムをまたいで忘れることが急速にエスカレートする。
本稿では,リスク対応政策最適化(RAPO)を提案する。
RAPOは、新しいタスクの競争力を保ちながら、RLOOのバックボーンに対する最後の忘れを79.8%削減する。
論文 参考訳（メタデータ） (2026-08-04T13:40:03Z) - Transfer Learning for Loan Recovery Prediction under Distribution Shifts with Heterogeneous Feature Spaces [7.515283162165111]
本稿では、ローンレベルのポイント推定とポートフォリオレベルの予測分布の両方を生成するFT-MDN-Transformerを提案する。
制御モンテカルロシミュレーションと,GCD(Global Credit Data)ローンデータセットをソースとして,新たな債券データセットをターゲットとして,実世界の送金設定において提案手法を評価する。
論文 参考訳（メタデータ） (2026-04-03T07:54:49Z) - Stochastic Generative Flow Networks [89.34644133901647]
生成フローネットワーク(GFlowNets)は「制御としての推論」のレンズを通して複雑な構造をサンプリングすることを学ぶ
既存のGFlowNetsは決定論的環境にのみ適用でき、動的処理によるより一般的なタスクではフェールする。
本稿では,GFlowNetsを環境に拡張する新しいアルゴリズムであるGFlowNetsを紹介する。
論文 参考訳（メタデータ） (2023-02-19T03:19:40Z) - Distributional GFlowNets with Quantile Flows [73.73721901056662]
Generative Flow Networks(GFlowNets)は、エージェントが一連の意思決定ステップを通じて複雑な構造を生成するためのポリシーを学ぶ確率的サンプルの新たなファミリーである。
本研究では,GFlowNetの分散パラダイムを採用し,各フロー関数を分散化し,学習中により情報的な学習信号を提供する。
GFlowNet学習アルゴリズムは,リスク不確実性のあるシナリオを扱う上で不可欠な,リスクに敏感なポリシーを学習することができる。
論文 参考訳（メタデータ） (2023-02-11T22:06:17Z)
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。