論文の概要: Scenario Augmentation for Rare Financial Events via Multimodal Latent Diffusion

• arxiv url: http://arxiv.org/abs/2611.07282v1
• Date: Thu, 05 Nov 2026 01:03:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.480638
• Title: Scenario Augmentation for Rare Financial Events via Multimodal Latent Diffusion
• Title（参考訳）: 多モード潜伏拡散によるレアファイナンシャルイベントのシナリオ拡大
• Abstract要約: Conditional Value-at-Risk (CVaR) はレアウィンドウのリスクを意識した定義を提供する。 CVaRラベル付レアファイナンスウィンドウの表現と分類を改善することができるかを検討した。
• 参考スコア（独自算出の注目度）: 0.1784233255402269
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Extreme market movements are scarce, heterogeneous, and difficult to learn from imbalanced historical data. We study whether generative augmentation can improve the representation and classification of CVaR-labeled rare financial windows while retaining the complementary structure exposed by different financial representations. Each market window is expressed through three aligned modalities: structured market variables, a spatial image transformation, and a sequence of portfolio returns. Separate variational autoencoders map the modalities to compact latent codes, and a class-conditional diffusion model learns their joint latent distribution. Conditional Value-at-Risk (CVaR) provides a risk-aware definition of rare windows and directs generation toward the minority regime. Across four window lengths on U.S. technology equities, the resulting synthetic samples improve fidelity and support relative to tabular diffusion baselines. An XGBoost classifier trained with real and generated samples attains AUCs of 0.953 - 0.960, exceeding both tabular generators and the corresponding real-only baselines. These results show that multimodal latent generation can provide useful synthetic stress scenarios for data-scarce financial risk models.
• Abstract（参考訳）: 極端な市場の動きは、不均衡な歴史的データから学ぶことは少なく、不均一であり、困難である。 本研究では, CVaRラベル付レアファイナンスウィンドウの表現と分類を, 異なる財務表現で表される相補構造を維持しつつ改善できるかどうかを検討する。 各市場ウィンドウは、構造化市場変数、空間画像変換、ポートフォリオのリターンという3つの整列したモードで表現される。 異なる変分オートエンコーダは、モダリティをコンパクトなラテント符号にマッピングし、クラス条件拡散モデルがそのラテント分布を学習する。 Conditional Value-at-Risk (CVaR) はレアウィンドウのリスク対応の定義を提供し、マイノリティ体制に向けて生成を指示する。 米国の技術株の窓の長さは4つあり、結果として得られた合成サンプルは、表層拡散基線に対する忠実さと支持を改善した。 XGBoost分類器は実および生成されたサンプルで訓練され、AUCは0.953 - 0.960となり、表のジェネレータとそれに対応する実専用ベースラインを上回っている。 これらの結果から,マルチモーダル遅延生成は,データスカース金融リスクモデルに有用な合成ストレスシナリオを提供する可能性が示唆された。

関連論文リスト

• Retrieval-Augmented Diffusion Modeling for Stochastic Discount Factor Portfolios [6.888354129972082]
  我々は、類似の歴史的制度を条件に、市場表現を学習する検索拡張拡散フレームワークRADARを紹介する。 実験により、RADARは資産のリターンと相関について経済的に有意なシグナルを発生させながら、主要なリスク調整指標の最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2026-09-28T13:03:58Z)
• Diffusion Reward Models [56.078040107894]
  DRMはDiffusion Reward Modelで、$p(mathbfrmid x,y)$以上の条件密度推定として報酬モデルを再キャストする。 単一のアーキテクチャは、多属性回帰とペアワイズ選好データの両方を処理し、$N$サンプルでの推論は、スカラー、分散、量子化に集約できる経験的な報酬分布を形成する。 5つのベンチマークで、DRMは一致したデータとバックボーンの下でベースラインにマッチまたはオーバーし、より大きな差別的、分布的、生成的RMと競争し続け、従来のヘッドを持つマルチモーダル報酬構造を回復する。
  論文  参考訳（メタデータ） (2026-09-27T17:57:14Z)
• Representation Homogeneity and Systemic Instability in AI-Dominated Financial Markets: A Structural Approach [0.22917707112773592]
  本稿では,人工知能(AI)トレーディングエージェントにおける市場状態の情報表現の類似性が,金融市場におけるシステム的不安定性をいかに生み出すかを検討する。 高周波マイクロモーメントを用いた構造的マルチエージェント市場モデルを構築した。 我々の構造機構は、低知覚のボラティリティ機構が、位置を通して隠されたレバレッジを不均一に蓄積し、ショックが同期デバレッジを引き起こすと崩壊することを示している。
  論文  参考訳（メタデータ） (2026-04-14T21:14:28Z)
• Policy-based Tuning of Autoregressive Image Models with Instance- and Distribution-Level Rewards [16.135177543347773]
  自己回帰モデル(AR)は画像生成に非常に効果的であるが、標準の最大形推定トレーニングではサンプルの品質と多様性を直接最適化することができない。 本稿では,トークンベースのAR推論をマルコフ決定プロセスとして,グループ相対ポリシー最適化によって最適化した軽量なRLフレームワークを提案する。 私たちの中核的な貢献は、新しい流通レベルのLeave-One-Out FID(LOO-FID)の報酬の導入です。
  論文  参考訳（メタデータ） (2026-03-24T11:28:36Z)
• CTTVAE: Latent Space Structuring for Conditional Tabular Data Generation on Imbalanced Datasets [0.0]
  本稿では,2つの相補的機構を備えた条件変換器を用いたタブラル変分自動エンコーダであるCTTVAEを紹介する。 CTTVAE+TBSは、トレーニングを不安定にすることなく、より代表的で実用性に整ったサンプルを一貫して得る。
  論文  参考訳（メタデータ） (2026-02-03T15:25:26Z)
• Modest-Align: Data-Efficient Alignment for Vision-Language Models [67.48633659305592]
  クロスモーダルアライメントモデルは、リソース制約のある環境での運用において、過信と劣化したパフォーマンスに悩まされることが多い。 我々は,ロバスト性と効率性に配慮した軽量アライメントフレームワークであるModest-Alignを提案する。 本手法は,実世界の低リソースシナリオにおけるクロスモーダルアライメントを実現するための,実用的でスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2025-10-24T16:11:10Z)
• Beyond Linear Diffusions: Improved Representations for Rare Conditional Generative Modeling [4.527435625329663]
  条件空間の低確率領域において、スコアベース生成モデル学習のサンプル複雑さが小さくなるように、データ表現とフォワードスキームを適応させることが可能であることを示す。 非線形ドリフト項のデータ駆動的選択による拡散が,データの適切な表現の下での尾イベントのモデル化に最も適していることを示す。
  論文  参考訳（メタデータ） (2025-10-02T19:06:14Z)
• STORM: A Spatio-Temporal Factor Model Based on Dual Vector Quantized Variational Autoencoders for Financial Trading [55.02735046724146]
  金融取引では、ファクターモデルが資産の価格設定や過大なリターンの獲得に広く利用されている。 双対ベクトル量子化変分オートエンコーダを用いた時空間ファクトラーモデルSTORMを提案する。 ストームは時間的および空間的な視点からストックの特徴を抽出し、これらの特徴を微細で意味的なレベルで融合し整列させ、その要素を多次元の埋め込みとして表現する。
  論文  参考訳（メタデータ） (2024-12-12T17:15:49Z)

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。