論文の概要: Long short-term memory networks and laglasso for bond yield forecasting:
Peeping inside the black box
- arxiv url: http://arxiv.org/abs/2005.02217v1
- Date: Tue, 5 May 2020 14:23:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-06 14:53:49.669931
- Title: Long short-term memory networks and laglasso for bond yield forecasting:
Peeping inside the black box
- Title（参考訳）: 長期短期記憶ネットワークとlaglassoによる債券利回り予測--ブラックボックス内の覗き込み
- Authors: Manuel Nunes, Enrico Gerding, Frank McGroarty, Mahesan Niranjan
- Abstract要約: 長期記憶(LSTM)ネットワークを用いた結合収率予測の最初の研究を行った。
我々は,シーケンス・ツー・シーケンス・アーキテクチャを用いて,メモリセル内の選択された位置におけるLSTM信号の時間的計算を行う。
- 参考スコア（独自算出の注目度）: 10.412912723760172
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modern decision-making in fixed income asset management benefits from
intelligent systems, which involve the use of state-of-the-art machine learning
models and appropriate methodologies. We conduct the first study of bond yield
forecasting using long short-term memory (LSTM) networks, validating its
potential and identifying its memory advantage. Specifically, we model the
10-year bond yield using univariate LSTMs with three input sequences and five
forecasting horizons. We compare those with multilayer perceptrons (MLP),
univariate and with the most relevant features. To demystify the notion of
black box associated with LSTMs, we conduct the first internal study of the
model. To this end, we calculate the LSTM signals through time, at selected
locations in the memory cell, using sequence-to-sequence architectures, uni and
multivariate. We then proceed to explain the states' signals using exogenous
information, for what we develop the LSTM-LagLasso methodology. The results
show that the univariate LSTM model with additional memory is capable of
achieving similar results as the multivariate MLP using macroeconomic and
market information. Furthermore, shorter forecasting horizons require smaller
input sequences and vice-versa. The most remarkable property found consistently
in the LSTM signals, is the activation/deactivation of units through time, and
the specialisation of units by yield range or feature. Those signals are
complex but can be explained by exogenous variables. Additionally, some of the
relevant features identified via LSTM-LagLasso are not commonly used in
forecasting models. In conclusion, our work validates the potential of LSTMs
and methodologies for bonds, providing additional tools for financial
practitioners.
- Abstract（参考訳）: 固定所得資産管理における現代の意思決定は、最先端の機械学習モデルと適切な方法論の使用を含むインテリジェントシステムから恩恵を受ける。
長期記憶(LSTM)ネットワークを用いた結合収率予測の最初の研究を行い、その可能性を検証し、そのメモリ優位性を検証した。
具体的には、3つの入力シーケンスと5つの予測水平線を持つ一変量LSTMを用いて10年間の結合収率をモデル化する。
それらを多層パーセプトロン (MLP) と比較し, 単変量および最も関連する特徴と比較した。
LSTMに付随するブラックボックスの概念をデミスティクスするために、モデルに関する最初の内部研究を行う。
この目的のために,一意および多変数のシーケンス・ツー・シーケンス・アーキテクチャを用いて,メモリセル内の選択位置におけるLSTM信号の時間的計算を行う。
そこで我々は,LSTM-LagLasso法の開発のために,外因性情報を用いた状態信号の説明を進めた。
その結果,メモリを付加した単変量LSTMモデルは,マクロ経済情報や市場情報を用いた多変量MLPと同じような結果が得られることがわかった。
さらに、より短い予測地平線はより小さな入力シーケンスと逆数を必要とする。
LSTM信号で一貫して見られる最も顕著な特性は、時間を通して単位が活性化/不活性化され、収量範囲や特徴による単位の特殊化である。
これらの信号は複雑であるが、外因性変数によって説明できる。
加えて、LSTM-LagLassoによって識別される関連する機能は、予測モデルでは一般的には使われない。
本研究は、LSTMの可能性を検証し、金融実践者のための追加のツールを提供する。
関連論文リスト
- Unlocking the Power of LSTM for Long Term Time Series Forecasting [27.245021350821638]
本稿では, sLSTM 上に実装したP-sLSTM という単純なアルゴリズムを提案する。
これらの改良により、TSFにおけるsLSTMの性能が大幅に向上し、最先端の結果が得られた。
論文 参考訳（メタデータ） (2024-08-19T13:59:26Z) - Beam Prediction based on Large Language Models [51.45077318268427]
ミリ波(mmWave)通信は次世代無線ネットワークに期待できるが、パス損失は大きい。
長短期記憶(LSTM)のような従来のディープラーニングモデルでは、ビーム追跡精度が向上するが、ロバスト性や一般化が不足している。
本稿では,大規模言語モデル(LLM)を用いて,ビーム予測の堅牢性を向上させる。
論文 参考訳（メタデータ） (2024-08-16T12:40:01Z) - HOPE for a Robust Parameterization of Long-memory State Space Models [51.66430224089725]
線形時間不変(LTI)システムを利用する状態空間モデル(SSM)は、長いシーケンスの学習において有効であることが知られている。
我々は,ハンケル作用素内のマルコフパラメータを利用するLTIシステムに対して,HOPEと呼ばれる新しいパラメータ化手法を開発した。
我々の新しいパラメータ化は、固定時間ウィンドウ内に非遅延メモリを付与し、パッドドノイズのあるシーケンシャルCIFAR-10タスクによって実証的に相関する。
論文 参考訳（メタデータ） (2024-05-22T20:20:14Z) - Federated Quantum Long Short-term Memory (FedQLSTM) [58.50321380769256]
量子フェデレーション学習(QFL)は、量子機械学習(QML)モデルを使用して、複数のクライアント間の協調学習を容易にする。
関数の近似に時間的データを利用するQFLフレームワークの開発に前向きな作業は行われていない。
量子長短期メモリ(QLSTM)モデルと時間データを統合する新しいQFLフレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-21T21:40:47Z) - DeLELSTM: Decomposition-based Linear Explainable LSTM to Capture
Instantaneous and Long-term Effects in Time Series [26.378073712630467]
LSTMの解釈性を改善するために,分解に基づく線形説明可能LSTM(DeLELSTM)を提案する。
3つの経験的データセット上でのDeLELSTMの有効性と解釈性を示す。
論文 参考訳（メタデータ） (2023-08-26T07:45:41Z) - Hybrid hidden Markov LSTM for short-term traffic flow prediction [0.0]
本稿では,交通データの相補的特徴を学習可能なハイブリッド隠れマルコフ-LSTMモデルを提案する。
その結果,従来の手法と比較して,ハイブリッドアーキテクチャを用いた場合の大幅な性能向上が示唆された。
論文 参考訳（メタデータ） (2023-07-11T00:56:44Z) - Working Memory Connections for LSTM [51.742526187978726]
ワーキングメモリ接続は,様々なタスクにおけるLSTMの性能を常に向上することを示す。
数値的な結果は、細胞状態がゲート構造に含まれる価値のある情報を含んでいることを示唆している。
論文 参考訳（メタデータ） (2021-08-31T18:01:30Z) - Learning representations with end-to-end models for improved remaining
useful life prognostics [64.80885001058572]
残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。
マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。
提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
論文 参考訳（メタデータ） (2021-04-11T16:45:18Z) - Quantum Long Short-Term Memory [3.675884635364471]
LSTM(Long Short-term memory)は、シーケンスおよび時間依存性データモデリングのためのリカレントニューラルネットワーク(RNN)である。
本稿では,QLSTMを疑似化したLSTMのハイブリッド量子古典モデルを提案する。
我々の研究は、ノイズの多い中間スケール量子(NISQ)デバイス上でのシーケンスモデリングのための機械学習アルゴリズムの実装への道を開いた。
論文 参考訳（メタデータ） (2020-09-03T16:41:09Z) - Automatic Remaining Useful Life Estimation Framework with Embedded
Convolutional LSTM as the Backbone [5.927250637620123]
組込み畳み込みLSTM(E NeuralTM)と呼ばれる新しいLSTM変種を提案する。
ETMでは、異なる1次元の畳み込みの群がLSTM構造に埋め込まれている。
RUL推定のために広く用いられているいくつかのベンチマークデータセットに対する最先端のアプローチよりも,提案したEMMアプローチの方が優れていることを示す。
論文 参考訳（メタデータ） (2020-08-10T08:34:20Z) - Deep Stock Predictions [58.720142291102135]
本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。
次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。
カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
論文 参考訳（メタデータ） (2020-06-08T23:37:47Z)
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。