論文の概要: Conditional Neural SDEs for Financial Time-Series Generation

• arxiv url: http://arxiv.org/abs/2610.41405v1
• Date: Fri, 30 Oct 2026 08:17:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.656388
• Title: Conditional Neural SDEs for Financial Time-Series Generation
• Title（参考訳）: 金融時系列生成のための条件付きニューラルネットワークSDE
• Abstract要約: 本稿では,学習された条件付きアンカーと残差に対象を分解する残差ニューラルネットワークSDEアーキテクチャを提案する。 我々は、条件付き世界のシナリオや時系列基礎モデルとの比較を含む、キャリブレートワールド金融時系列のアプローチを評価する。
• 参考スコア（独自算出の注目度）: 0.6906410909728047
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conditional generation of time-series paths is a central problem in probabilistic modeling, where the goal is to simulate future trajectories that are both realistic and responsive to external context. It has direct applications in finance and economics. Neural stochastic differential equations provide a natural framework for this task by combining continuous-time stochastic dynamics with learnable drift and diffusion functions. However, directly modeling the target state can be unstable in conditional settings, especially when the target and conditioning variables have strong level dependence, limited training data, or different dimensions.We propose a residualanchor Neural SDE architecture that decomposes the target into a learned conditional anchor and a stochastic residual. The anchor captures the context-dependent baseline, while the Neural SDE (Stochastic Differential Equation) models the residual dynamics around this baseline. This separation reduces the burden on the stochastic dynamics and generalizes spread-based representations to more general conditioning settings.We evaluate the approach on real-world financial time series, including conditional interest-rate scenarios and a comparison with a time-series foundation model. The results show that the proposed model can generate plausible conditional paths, maintain competitive point accuracy, and provide calibrated uncertainty estimates.
• Abstract（参考訳）: 時系列パスの条件付き生成は確率論的モデリングにおいて中心的な問題であり、そのゴールは、現実的かつ外部の文脈に応答する将来の軌跡をシミュレートすることである。 金融と経済に直接応用している。 ニューラル確率微分方程式は、連続時間確率力学と学習可能なドリフトと拡散関数を組み合わせることで、このタスクの自然な枠組みを提供する。 しかし、特に目標変数が強いレベル依存、限られたトレーニングデータ、あるいは異なる次元を持つ場合、ターゲット状態を直接モデル化することは、条件条件設定において不安定であり、学習条件アンカーと確率的残差に対象を分解する残差アンカーニューラルネットワークSDEアーキテクチャを提案する。 アンカーは文脈依存のベースラインを捕捉し、ニューラルSDE (Stochastic Differential Equation) はこのベースラインの周りの残留ダイナミクスをモデル化する。 この分離により、確率力学の負担を軽減し、スプレッドベース表現をより一般的な条件設定に一般化し、条件付利子率シナリオや時系列基礎モデルとの比較を含む実世界の金融時系列に対するアプローチを評価する。 以上の結果から,提案モデルが妥当な条件付き経路を生成でき,競合点の精度を維持し,不確実性評価を校正できることが示唆された。

関連論文リスト

• Meshless Latent Dynamics Models for Model Order Reduction of time-dependent Partial Differential Equations [0.0]
  ニューラルネットワーク(NeFs)の条件付けに基づくメッシュ非依存潜在ダイナミクスモデル(LDMs)の統一的な数学的枠組みを導入する。 メッシュレスLDMは、トレーニング可能なパラメータの2%しか使用せず、空間的離散化に対してほぼ一定の誤差を示すことなく、メッシュベースのパラメータと同等かそれ以上の精度で予測できることを示す。
  論文  参考訳（メタデータ） (2026-10-29T22:32:37Z)
• Stochastic Deep Learning: A Probabilistic Framework for Modeling Uncertainty in Structured Temporal Data [0.0]
  構造化データと時間的データを含む機械学習アプリケーションにおける不確実性を改善するために、微分方程式(SDE)を深層生成モデルと統合する新しいフレームワークを提案する。 このアプローチはLatent Differential Inference (SLDI)と呼ばれ、変分オートエンコーダの潜時空間にIt SDEを埋め込む。 SDEのドリフトと拡散の項はニューラルネットワークによってパラメータ化され、データ駆動推論と古典的時系列モデルにより不規則なサンプリングと複雑な動的構造を扱うことができる。
  論文  参考訳（メタデータ） (2026-01-08T18:53:59Z)
• Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
  Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。 絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-10-28T15:54:50Z)
• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• Probabilistic Forecasting with Stochastic Interpolants and Föllmer Processes [18.344934424278048]
  生成モデルに基づく動的システムの確率的予測のためのフレームワークを提案する。 このSDEのドリフトと拡散係数は訓練後に調整できることを示し、推定誤差の影響を最小限に抑える特定の選択がF"ollmerプロセスを与えることを示した。
  論文  参考訳（メタデータ） (2024-03-20T16:33:06Z)
• Non-adversarial training of Neural SDEs with signature kernel scores [4.721845865189578]
  不規則な時系列生成のための最先端性能は、これらのモデルをGANとして逆向きに訓練することで既に得られている。 本稿では,シグネチャカーネルに基づくパス空間のスコアリングルールを新たに導入する。
  論文  参考訳（メタデータ） (2023-05-25T17:31:18Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• Autoregressive Dynamics Models for Offline Policy Evaluation and Optimization [60.73540999409032]
  表現的自己回帰ダイナミクスモデルが次の状態の異なる次元を生成し、以前の次元で順次条件付きで報酬を得ることを示す。 また,リプレイバッファを充実させる手段として,自己回帰的ダイナミクスモデルがオフラインポリシー最適化に有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-28T16:48:44Z)

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。