論文の概要: Machine learning for multiple yield curve markets: fast calibration in the Gaussian affine framework

• arxiv url: http://arxiv.org/abs/2004.07736v2
• Date: Fri, 17 Apr 2020 14:21:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-12 22:13:21.799952
• Title: Machine learning for multiple yield curve markets: fast calibration in the Gaussian affine framework
• Title（参考訳）: 多元利回り曲線市場のための機械学習:ガウスアフィンフレームワークにおける高速キャリブレーション
• Authors: Sandrine G\"umbel, Thorsten Schmidt
• Abstract要約: 我々は、拡張Kalmanフィルタと多くの類似点を持つ機械学習手法を採用する。 単一のカーブ市場にとって非常によい結果が得られ、Vasicekフレームワークにおけるマルチカーブ市場に対する多くの課題が浮かび上がっています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Calibration is a highly challenging task, in particular in multiple yield curve markets. This paper is a first attempt to study the chances and challenges of the application of machine learning techniques for this. We employ Gaussian process regression, a machine learning methodology having many similarities with extended Kalman filtering - a technique which has been applied many times to interest rate markets and term structure models. We find very good results for the single curve markets and many challenges for the multi curve markets in a Vasicek framework. The Gaussian process regression is implemented with the Adam optimizer and the non-linear conjugate gradient method, where the latter performs best. We also point towards future research.
• Abstract（参考訳）: 校正は特に複数の利回り曲線市場において非常に困難な課題である。 本論文は,機械学習技術の応用の可能性と課題について検討する最初の試みである。 我々は、拡張カルマンフィルタリングと多くの類似点を持つ機械学習手法であるガウス過程回帰(Gaussian process regression)を、金利市場や項構造モデルに何度も適用した手法として採用している。 単一曲線市場にとって非常に良い結果が得られ、vasicekフレームワークによる多曲線市場における多くの課題が浮かび上がっています。 ガウス過程の回帰はadamオプティマイザと非線形共役勾配法で実装され、後者が最適である。 また、今後の研究も目指している。

関連論文リスト

• Hamiltonian Monte Carlo Inference of Marginalized Linear Mixed-Effects Models [26.534682620182707]
  本研究では,線形混合効果モデルにおいて,ランダム効果を容易に除去するアルゴリズムを開発した。 ナイーブアプローチは、ハミルトンモンテカルロ(HMC)のような推論アルゴリズムにおける立方的時間演算を導入する 適用可能な場合の限界化は常に有益であることを示し、様々なモデルの改善を強調します。
  論文  参考訳（メタデータ） (2024-10-31T16:16:18Z)
• Stochastic Gradient Descent for Gaussian Processes Done Right [86.83678041846971]
  emphdone right -- 最適化とカーネルコミュニティからの具体的な洞察を使用するという意味で -- が、勾配降下は非常に効果的であることを示している。 本稿では,直感的に設計を記述し,設計選択について説明する。 本手法は,分子結合親和性予測のための最先端グラフニューラルネットワークと同程度にガウス過程の回帰を配置する。
  論文  参考訳（メタデータ） (2023-10-31T16:15:13Z)
• Sharp Calibrated Gaussian Processes [58.94710279601622]
  キャリブレーションされたモデルを設計するための最先端のアプローチは、ガウス過程の後方分散を膨らませることに依存している。 本稿では,バニラガウス過程の後方分散にインスパイアされた計算を用いて,予測量子化を生成するキャリブレーション手法を提案する。 我々のアプローチは合理的な仮定の下で校正されたモデルが得られることを示す。
  論文  参考訳（メタデータ） (2023-02-23T12:17:36Z)
• Markovian Gaussian Process Variational Autoencoders [19.686719654642392]
  我々はマルコフ型GPの等価離散状態空間表現を活用し、カルマンフィルタと平滑化による線形時間 GPVAE トレーニングを可能にする。 我々のモデルであるMGPVAE(Markovian GPVAE)では,従来の手法と比較して,多種多様な高次元時間的課題を示す。
  論文  参考訳（メタデータ） (2022-07-12T14:10:01Z)
• Vector-valued Gaussian Processes on Riemannian Manifolds via Gauge Equivariant Projected Kernels [108.60991563944351]
  本稿では、ベクトル値のガウス過程を幾何学に忠実に誘導するゲージ同変カーネルの構築法を提案する。 我々は,変分推論などの標準ガウスプロセストレーニング手法を,この設定に拡張する。
  論文  参考訳（メタデータ） (2021-10-27T13:31:10Z)
• Mixtures of Gaussian Processes for regression under multiple prior distributions [0.0]
  ガウス過程回帰のための混合モデルの概念を拡張し、複数の先行する信念を同時に扱う。 本手法は,関数回帰問題における先行的誤特定の問題を考慮に入れたものである。
  論文  参考訳（メタデータ） (2021-04-19T10:19:14Z)
• Gauss-Legendre Features for Gaussian Process Regression [7.37712470421917]
  カーネル行列の低階近似を用いてガウス過程の回帰をスケールアップするためのガウス・レーゲンドル二次法を提案する。 この手法はよく知られたランダムなフーリエ特徴法に触発され、数値積分による低ランク近似も構築する。
  論文  参考訳（メタデータ） (2021-01-04T18:09:25Z)
• Pathwise Conditioning of Gaussian Processes [72.61885354624604]
  ガウス過程後部をシミュレーションするための従来のアプローチでは、有限個の入力位置のプロセス値の限界分布からサンプルを抽出する。 この分布中心の特徴づけは、所望のランダムベクトルのサイズで3次スケールする生成戦略をもたらす。 条件付けのこのパスワイズ解釈が、ガウス過程の後部を効率的にサンプリングするのに役立てる近似の一般族をいかに生み出すかを示す。
  論文  参考訳（メタデータ） (2020-11-08T17:09:37Z)
• Mat\'ern Gaussian Processes on Graphs [67.13902825728718]
  我々は、マタン・ガウス過程の偏微分方程式のキャラクタリゼーションを利用して、そのアナログを無向グラフに対して研究する。 得られたガウス過程がユークリッドアナログやユークリッドアナログの様々な魅力的な性質を継承することを示す。 これにより、グラフのMat'ern Gaussianプロセスがミニバッチや非共役設定に使用できる。
  論文  参考訳（メタデータ） (2020-10-29T13:08:07Z)
• Learning Gaussian Graphical Models via Multiplicative Weights [54.252053139374205]
  乗算重み更新法に基づいて,Klivans と Meka のアルゴリズムを適用した。 アルゴリズムは、文献の他のものと質的に類似したサンプル複雑性境界を楽しみます。 ランタイムが低い$O(mp2)$で、$m$サンプルと$p$ノードの場合には、簡単にオンライン形式で実装できる。
  論文  参考訳（メタデータ） (2020-02-20T10:50:58Z)

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。