論文の概要: A random forest based approach for predicting spreads in the primary catastrophe bond market

• arxiv url: http://arxiv.org/abs/2001.10393v1
• Date: Tue, 28 Jan 2020 15:04:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-06 02:40:42.573905
• Title: A random forest based approach for predicting spreads in the primary catastrophe bond market
• Title（参考訳）: 原因性債券市場における拡散予測のためのランダム森林に基づくアプローチ
• Authors: Despoina Makariou, Pauline Barrieu, Yining Chen
• Abstract要約: 我々は,大災害債券市場におけるスプレッドの予測を可能にするために,ランダムな森林アプローチを導入する。 2009年12月から2018年5月にかけて発行された非生命的大災害債の全人口が使用されている。 ランダム森林は、その総変動率の93%を説明できる、目に見えない一次災害結合データに驚くべき予測力を示す。
• 参考スコア（独自算出の注目度）: 7.423904747844095
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a random forest approach to enable spreads' prediction in the primary catastrophe bond market. We investigate whether all information provided to investors in the offering circular prior to a new issuance is equally important in predicting its spread. The whole population of non-life catastrophe bonds issued from December 2009 to May 2018 is used. The random forest shows an impressive predictive power on unseen primary catastrophe bond data explaining 93% of the total variability. For comparison, linear regression, our benchmark model, has inferior predictive performance explaining only 47% of the total variability. All details provided in the offering circular are predictive of spread but in a varying degree. The stability of the results is studied. The usage of random forest can speed up investment decisions in the catastrophe bond industry.
• Abstract（参考訳）: 一次災害債券市場におけるスプレッドの予測を可能にするために,ランダムな森林アプローチを導入する。 我々は、新規発行に先立って投資家に提供される全ての情報が、その拡散を予測する上で等しく重要であるかどうかを調査する。 2009年12月から2018年5月まで発行された非人生的災害債の全人口が使用されている。 ランダムな森林は、全変動の93%を説明する未確認一次災害結合データに驚くべき予測力を示す。 比較として, 線形回帰モデルでは, 予測性能が劣り, 総変動率の47%しか説明できない。 円形で提供されるすべての詳細は、広がりを予測できるが、程度は様々である。 結果の安定性が研究されている。 ランダムな森林の利用は、破滅的な債券産業における投資決定をスピードアップさせる。

関連論文リスト

• SARF: Enhancing Stock Market Prediction with Sentiment-Augmented Random Forest [0.0]
  本研究では、FinGPT生成AIモデルと従来のランダムフォレストモデルを用いた感情分析を統合することで、株式市場の予測に新たなアプローチを導入する。 本稿では,感情特徴をランダムフォレストフレームワークに組み込んだ「感性増強ランダムフォレスト(SARF)」という新たな方法論を提案する。 実験の結果,SARFは従来のランダムフォレストモデルやLSTMモデルよりも平均精度が9.23%向上し,予測誤差が低かった。
  論文  参考訳（メタデータ） (2024-09-22T20:22:10Z)
• Quantile Regression using Random Forest Proximities [0.9423257767158634]
  量子回帰林は、対象変数の条件分布全体を単一のモデルで推定する。 本研究では,ランダムフォレスト近似を用いた量子レグレッションを用いて,QRFの原バージョンに対する条件目標分布と予測間隔の近似において,優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2024-08-05T10:02:33Z)
• Bayesian Hierarchical Probabilistic Forecasting of Intraday Electricity Prices [0.0]
  本稿では,ドイツの日内取引市場における電力価格のベイズ予測に関する第1報について述べる。 検証には2022年の極端に不安定な電力価格を使用します。 我々は、電気価格予測における特徴選択にLASSOを用いるという宣言されたゴールド標準に挑戦し、OMPがより良い予測性能をもたらすという強い統計的証拠を提示する。
  論文  参考訳（メタデータ） (2024-03-08T16:51:27Z)
• Stability of Random Forests and Coverage of Random-Forest Prediction Intervals [4.067407250874754]
  本研究では,無作為林のアウト・オブ・バグ・エラーから構築した予測区間の被覆確率の非漸近的下限を証明した。 本研究は, ランダム森林の安定性は, 良好な点予測だけでなく, 余分な計算コストを伴わずに, 最適区間予測を実現できる機械学習手法であることを示唆している。
  論文  参考訳（メタデータ） (2023-10-28T20:38:53Z)
• Performative Time-Series Forecasting [71.18553214204978]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
  長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。 多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。 深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。 本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-18T16:21:15Z)
• Variational Prediction [95.00085314353436]
  本稿では,変動境界を用いた後部予測分布に対する変動近似の学習手法を提案する。 このアプローチは、テスト時間の限界化コストを伴わずに、優れた予測分布を提供することができる。
  論文  参考訳（メタデータ） (2023-07-14T18:19:31Z)
• Learning to Predict Trustworthiness with Steep Slope Loss [69.40817968905495]
  本研究では,現実の大規模データセットにおける信頼性の予測問題について検討する。 我々は、先行技術損失関数で訓練された信頼性予測器が、正しい予測と誤った予測の両方を信頼に値するものとみなす傾向があることを観察する。 そこで我々は,2つのスライド状の曲線による不正確な予測から,特徴w.r.t.正しい予測を分離する,新たな急勾配損失を提案する。
  論文  参考訳（メタデータ） (2021-09-30T19:19:09Z)
• Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
  本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。 ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。 2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
  論文  参考訳（メタデータ） (2021-09-14T18:50:38Z)
• Universal Off-Policy Evaluation [64.02853483874334]
  ユニバーサルオフ政治推定器(UnO)への第一歩を踏み出す 我々は, 平均, 分散, 分位数/中間数, 分位数範囲, cvar, および累積分布全体の推定と同時結合に uno を用いる。
  論文  参考訳（メタデータ） (2021-04-26T18:54:31Z)
• Predicting Recession Probabilities Using Term Spreads: New Evidence from a Machine Learning Approach [0.0]
  我々は、機械学習を用いて、金利の予測能力を改善することができるかどうかを調査する。 機械学習アルゴリズムは最適な成熟度ペアを特定し、利子率の効果を拡散した用語と区別する。 私達の発見は10年3か月の財務収支の広がりの従来の使用を支えます。
  論文  参考訳（メタデータ） (2021-01-23T01:26:54Z)

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。