論文の概要: A Bayesian Long Short-Term Memory Model for Value at Risk and Expected Shortfall Joint Forecasting

• arxiv url: http://arxiv.org/abs/2001.08374v2
• Date: Thu, 13 May 2021 01:19:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-07 12:47:54.882490
• Title: A Bayesian Long Short-Term Memory Model for Value at Risk and Expected Shortfall Joint Forecasting
• Title（参考訳）: ベイズ長期短期記憶モデルによるリスクと予測不足共同予測
• Authors: Zhengkun Li, Minh-Ngoc Tran, Chao Wang, Richard Gerlach and Junbin Gao
• Abstract要約: バリュー・アット・リスク(VaR)と期待不足(ES)は、市場リスクを測定し、極端な市場の動きを管理するために金融セクターで広く利用されている。 量子化スコア関数と非対称ラプラス密度の最近の関係は、VaRとESのジョイントモデリングのためのフレキシブルな可能性に基づく枠組みにつながっている。 Asymmetric Laplace quasi-likelihoodをベースとしたハイブリッドモデルを開発し、機械学習のLong Short-Term Memory(LSTM)時系列モデリング技術を用いて、VaRとESの基盤となるダイナミクスを効率的に捉える。
• 参考スコア（独自算出の注目度）: 26.834110647177965
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Value-at-Risk (VaR) and Expected Shortfall (ES) are widely used in the financial sector to measure the market risk and manage the extreme market movement. The recent link between the quantile score function and the Asymmetric Laplace density has led to a flexible likelihood-based framework for joint modelling of VaR and ES. It is of high interest in financial applications to be able to capture the underlying joint dynamics of these two quantities. We address this problem by developing a hybrid model that is based on the Asymmetric Laplace quasi-likelihood and employs the Long Short-Term Memory (LSTM) time series modelling technique from Machine Learning to capture efficiently the underlying dynamics of VaR and ES. We refer to this model as LSTM-AL. We adopt the adaptive Markov chain Monte Carlo (MCMC) algorithm for Bayesian inference in the LSTM-AL model. Empirical results show that the proposed LSTM-AL model can improve the VaR and ES forecasting accuracy over a range of well-established competing models.
• Abstract（参考訳）: バリュー・アット・リスク(VaR)と期待不足(ES)は、市場リスクを測定し、極端な市場の動きを管理するために金融セクターで広く利用されている。 量子化スコア関数と非対称ラプラス密度の最近の関係は、VaRとESのジョイントモデリングのためのフレキシブルな可能性に基づく枠組みをもたらす。 この2つの量の基礎となるジョイントダイナミクスを捉えることは、金融アプリケーションに対する高い関心事である。 本稿では,非対称ラプラス準同型モデルを用いて,機械学習のLong Short-Term Memory(LSTM)時系列モデリング技術を用いて,VaRとESの基盤となるダイナミクスを効率的に捉えることで,この問題に対処する。 このモデルをLSTM-ALと呼ぶ。 LSTM-ALモデルにおいて,適応マルコフ連鎖モンテカルロ(MCMC)アルゴリズムをベイズ推定に適用する。 実験結果から,提案したLSTM-ALモデルは,よく確立された競合モデルに対して,VaRおよびES予測精度を向上できることが示された。

関連論文リスト

• Oscillatory State-Space Models [61.923849241099184]
  長いシーケンスを効率的に学習するための線形状態空間モデル(LinOSS)を提案する。 高速な連想並列スキャンを用いて時間とともに統合された安定な離散化により、提案した状態空間モデルが得られる。 我々はLinOSSが普遍であること、すなわち時間変化関数間の連続および因果作用素写像を近似できることを示す。
  論文  参考訳（メタデータ） (2024-10-04T22:00:13Z)
• A Dynamic Approach to Stock Price Prediction: Comparing RNN and Mixture of Experts Models Across Different Volatility Profiles [0.0]
  MoEフレームワークは揮発性株のRNNと安定株の線形モデルを組み合わせて、ゲーティングネットワークを介して各モデルの重量を動的に調整する。 その結果,MoE法は様々な変動性プロファイルの予測精度を著しく向上させることがわかった。 MoEモデルの適応性は個々のモデルよりも優れており、Mean Squared Error(MSE)やMean Absolute Error(MAE)などのエラーを減らすことができる。
  論文  参考訳（メタデータ） (2024-10-04T14:36:21Z)
• Margin Matching Preference Optimization: Enhanced Model Alignment with Granular Feedback [64.67540769692074]
  人間のフィードバックからの強化学習など、アライメント技術で微調整された大規模言語モデル(LLM)は、これまでで最も有能なAIシステムの開発に役立っている。 マージンマッチング選好最適化(MMPO)と呼ばれる手法を導入し、相対的な品質マージンを最適化し、LLMポリシーと報酬モデルを改善する。 人間とAIの両方のフィードバックデータによる実験によると、MMPOはMT-benchやRewardBenchといった一般的なベンチマークにおいて、ベースラインメソッドよりも一貫してパフォーマンスが向上している。
  論文  参考訳（メタデータ） (2024-10-04T04:56:11Z)
• EMR-Merging: Tuning-Free High-Performance Model Merging [55.03509900949149]
  Elect, Mask & Rescale-Merging (EMR-Merging) は既存のマージ手法と比較して優れた性能を示した。 EMR-Mergingはチューニング不要なので、データアベイラビリティや追加のトレーニングは必要ありません。
  論文  参考訳（メタデータ） (2024-05-23T05:25:45Z)
• 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)
• Efficient Model-based Multi-agent Reinforcement Learning via Optimistic Equilibrium Computation [93.52573037053449]
  H-MARL (Hallucinated Multi-Agent Reinforcement Learning) は,環境と数回交流した後の平衡政策を学習する。 自律運転シミュレーションベンチマークにおいて,本手法を実験的に実証した。
  論文  参考訳（メタデータ） (2022-03-14T17:24:03Z)
• Macroeconomic forecasting with LSTM and mixed frequency time series data [0.0]
  まず,混合周波数で観測される時系列に従来型LSTMモデルを適用する方法について述べる。 次に、制約のない混合DAtaSamplingスキーム(U-MIDAS)をLSTMアーキテクチャに適用する。 提案手法は,短期予測の大規模景気後退期において非常に有効である可能性が示唆された。
  論文  参考訳（メタデータ） (2021-09-28T14:56:37Z)
• Active Learning with Multifidelity Modeling for Efficient Rare Event Simulation [0.0]
  希少事象の効率的に推定することを強調する多忠実度モデリングを用いた能動的学習フレームワークを提案する。 我々のフレームワークは、低忠実度(LF)予測をHF推論補正と融合させ、修正されたLF予測をフィルタリングして、高忠実度モデルを呼び出すかどうかを決定する。 障害確率を小さくする際のロバスト性を改善するため,HFモデルをいつ呼び出すかを決定する動的能動学習関数を提案する。
  論文  参考訳（メタデータ） (2021-06-25T17:44:28Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Scaling Hidden Markov Language Models [118.55908381553056]
  この研究は、HMMを言語モデリングデータセットに拡張するという課題を再考する。 本研究では,HMMを大規模状態空間に拡張する手法を提案する。
  論文  参考訳（メタデータ） (2020-11-09T18:51:55Z)
• Non-Equilibrium Skewness, Market Crises, and Option Pricing: Non-Linear Langevin Model of Markets with Supersymmetry [0.0]
  本稿では,Langevinアプローチを用いて,市場リターンの非線形ダイナミクスの抽出可能なモデルを提案する。 ランゲヴィン力学は等価量子力学(QM)系にマッピングされる。 超対称性は、解析的に抽出可能な方法でモデルの時間依存的な解を見つけるために用いられる。
  論文  参考訳（メタデータ） (2020-11-03T01:56:06Z)

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。