論文の概要: Neural Realized Measures: Forecast-Supervised Intraday Aggregation for Volatility Forecasting

• arxiv url: http://arxiv.org/abs/2611.07287v1
• Date: Thu, 05 Nov 2026 01:10:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.482539
• Title: Neural Realized Measures: Forecast-Supervised Intraday Aggregation for Volatility Forecasting
• Title（参考訳）: ボラティリティ予測のための予測監督型日内アグリゲーション
• Abstract要約: 高周波のボラティリティ予測は通常、測定を予測から分離する。 本稿では,原始教師付き,予測監督型アグリゲーションフレームワークであるNeural Realized Measures (NRM)を提案する。 NRMは元々の測度特異的な日内寄与を保っているが、一様凝集を正の平均正規化文脈依存重みに置き換えている。
• 参考スコア（独自算出の注目度）: 1.9336815376402718
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-frequency volatility forecasting typically separates measurement from prediction: intraday observations are first compressed into a daily realized measure using a fixed aggregation rule, and the resulting statistic is then passed to a forecasting model. This conventional pipeline therefore treats measure construction as forecast-agnostic preprocessing. We ask whether the aggregation stage itself can instead be learned from the downstream forecasting objective while preserving the statistical structure of established realized measures. We propose Neural Realized Measures (NRM), a primitive-preserving, forecast-supervised aggregation framework that retains the original measure-specific intraday contributions but replaces uniform aggregation with positive, mean-normalized context-dependent weights. Uniform weights exactly recover the corresponding raw realized measure (RRM), so the classical construction is nested as a special case. Because NRM remains an explicit weighted sum of established primitive contributions, it also retains direct bar-level attribution. Across SF, HAR, and MIDAS forecasting specifications, NRM is evaluated against corresponding RRM specifications under controlled comparisons. In Heston simulations, NRM reduces RMSE for both contemporaneous and next-day latent integrated variance across all evaluated primitive--regime combinations. On six cryptocurrencies using five-minute data, NRM improves QLIKE in all 54 paired out-of-sample comparisons, with mean gains of 7.23\%, 8.15\%, and 9.22\% under SF, HAR, and MIDAS, respectively. Validation-selected NRM specifications also achieve the lowest mean QLIKE across the six assets among the evaluated approaches. Ablation and SHAP analyses reveal systematic time-of-day and nonlinear local-context effects in the learned allocation.
• Abstract（参考訳）: 高周波のボラティリティ予測は、通常、測定を予測から切り離す: 日内観測は、まず、固定された集計規則を用いて毎日実現された測度に圧縮され、その結果の統計は予測モデルに渡される。 この従来のパイプラインは、予測に依存しない事前処理として、測定構造を扱います。 我々は,確立した実測値の統計的構造を維持しつつ,下流予測目標から集約段階自体を学習できるかを問う。 我々は,元となる測度固有の日内貢献を保ちつつ,一様集約を正の平均正規化文脈依存重みに置き換える原始保存型予測監督集約フレームワークであるNeural Realized Measures (NRM)を提案する。 一様重みは対応する生実測度(RRM)を正確に回復するので、古典的な構成は特別なケースとしてネストされる。 NRMは確立された原始的貢献の明確な重み付けの和であり続けているため、直接バーレベルの属性も保持している。 SF, HAR, MIDAS予測仕様全体において, NRMは制御比較において対応するRTM仕様に対して評価される。 ヘストンシミュレーションにおいて、NEMは、評価されたプリミティブ-レジームの組み合わせ間での同時および翌日の潜時統合分散のRMSEを減少させる。 5分間のデータを用いた6つの暗号では、NAMは54対のサンプル外比較でQLIKEを改善し、それぞれSF、HAR、MIDASで平均7.23\%、8.15\%、9.22\%となっている。 検証選択されたNRM仕様はまた、評価されたアプローチの中で、6つのアセットの中で最低平均のQLIKEを達成する。 アブレーションとSHAP分析により,学習したアロケーションにおける日時および非線形局所コンテキストの影響が明らかになった。

関連論文リスト

• Grounding Predictive Reliability through Masked Observability [7.108925966369081]
  MORSEは、可視的コンテキストにおける制御された変更の下で、同じ隠れターゲットを予測する。 条件平均とデータスケールの目的は、条件平均とデータスケールを学習する。 MORSEはまた、PTB-XL上の低ラベル転送とIMPTC上の分布内軌道予測を改善している。
  論文  参考訳（メタデータ） (2026-10-29T09:57:28Z)
• A Time-Synchronous Prequential Evaluation Framework for Next-Week Student Disengagement Prediction from Moodle LMS Logs [0.0]
  早期警戒モデルのふりかえり評価は、予測が発行され、結果が観測可能になったときに利用可能な情報を反映しない可能性がある。 そこで我々は,次の週の学生退学のオンライン予測のための時間同期型事前予測フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-10-12T23:21:31Z)
• 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)
• Behaviour-Conditioned Neural Processes for Adaptive Residential Short-Term Load Forecasting [1.1240669509034296]
  本研究では、ニューラルネットワークに基づく確率論的モデルに、推論された行動構造を組み込むことができるかどうかを検討する。 本稿では,各負荷プロファイルを予測タスクとして扱う動作条件付注意ニューラルネットワークフレームワークを提案する。 Smart Gridの実験では、Smart Cityデータセットでは、ユーザ不一致のトレイン/バリデーション/テストスプリット、変数コンテキスト長、マルチステップ予測地平線が使用されている。
  論文  参考訳（メタデータ） (2026-07-17T17:48:22Z)
• A censoring-aware target interface for tabular foundation models in survival prediction [1.402135576373209]
  検閲対応のターゲットインタフェースフレームワークであるSurvFM-RMSTを紹介する。 生存時間を制限した平均生存時間に対して、サバイバル結果をジャックニフェの擬似観測目標に変換する。 既知の条件RMSTを用いたシミュレーションでは、SurvFM-RMSTは制限されたイベントフリー時間を正確に回収した。
  論文  参考訳（メタデータ） (2026-07-10T16:26:19Z)
• Hedging Memory Horizons for Non-Stationary Prediction via Online Aggregation [6.623965101885557]
  MELOは適応スケールにまたがってヘッジを行うモデルに依存しない手法である。 指数的に重み付けされた最小二乗適応の専門家を持つ予想外のベース予測プールをラップする。 パラメータフリーのオンラインアグリゲーションルールであるMLpolで、生およびEWLS対応の予測を集約する。
  論文  参考訳（メタデータ） (2026-05-07T16:38:21Z)
• Echo State Networks for Time Series Forecasting: Hyperparameter Sweep and Benchmarking [51.56484100374058]
  我々は、完全に自動で純粋にフィードバック駆動のESNが、広く使われている統計的予測手法の代替となるかどうかを評価する。 予測精度は、MASEとsMAPEを用いて測定され、ドリフトや季節予測、統計モデルといった単純なベンチマークと比較される。
  論文  参考訳（メタデータ） (2026-02-03T16:01:22Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• 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)

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。