Fugu-MT 論文翻訳(概要): Differential Machine Learning

論文の概要: Differential Machine Learning

arxiv url: http://arxiv.org/abs/2005.02347v4
Date: Wed, 30 Sep 2020 00:31:30 GMT
ステータス: 処理完了
システム内更新日: 2022-12-06 14:43:57.126954
Title: Differential Machine Learning
Title（参考訳）: ディファレンシャル機械学習
Authors: Brian Huge and Antoine Savine
Abstract要約: 自動随伴微分(AAD)と現代の機械学習(ML)を組み合わせた微分機械学習高速で正確な価格設定とリスク近似をオンライン,リアルタイムに,コンバージェンス保証付きでトレーニングするための新しいアルゴリズムを導入する。
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: Differential machine learning combines automatic adjoint differentiation (AAD) with modern machine learning (ML) in the context of risk management of financial Derivatives. We introduce novel algorithms for training fast, accurate pricing and risk approximations, online, in real-time, with convergence guarantees. Our machinery is applicable to arbitrary Derivatives instruments or trading books, under arbitrary stochastic models of the underlying market variables. It effectively resolves computational bottlenecks of Derivatives risk reports and capital calculations. Differential ML is a general extension of supervised learning, where ML models are trained on examples of not only inputs and labels but also differentials of labels wrt inputs. It is also applicable in many situations outside finance, where high quality first-order derivatives wrt training inputs are available. Applications in Physics, for example, may leverage differentials known from first principles to learn function approximations more effectively. In finance, AAD computes pathwise differentials with remarkable efficacy so differential ML algorithms provide extremely effective pricing and risk approximations. We can produce fast analytics in models too complex for closed form solutions, extract the risk factors of complex transactions and trading books, and effectively compute risk management metrics like reports across a large number of scenarios, backtesting and simulation of hedge strategies, or regulations like XVA, CCR, FRTB or SIMM-MVA. TensorFlow implementation is available on https://github.com/differential-machine-learning
Abstract（参考訳）: ディファレンシャル機械学習は、金融デリバティブのリスク管理の文脈において、自動随伴微分(aad)と現代機械学習(ml)を組み合わせる。高速で正確な価格とリスク近似をオンライン,リアルタイムに,収束保証付きでトレーニングするための新しいアルゴリズムを導入する。我々の機械は、市場変数の任意の確率モデルの下で、任意のデリバティブやトレーディングブックに適用できる。デリバティブのリスクレポートと資本計算の計算ボトルネックを効果的に解決する。 Differential MLは教師付き学習の一般的な拡張であり、MLモデルは入力とラベルの例だけでなくラベルのwrt入力の差分についても訓練される。また、高品質な一階導関数wrtトレーニングインプットが利用できる金融以外の多くの状況にも当てはまる。例えば、物理学における応用は、関数近似をより効果的に学ぶために第一原理から知られている微分を活用できる。ファイナンスにおいて、AADは顕著な有効性で経路微分を計算するので、微分MLアルゴリズムは極めて効果的な価格とリスク近似を提供する。クローズドフォームソリューションには複雑すぎるモデルで高速な分析を作成でき、複雑なトランザクションやトレーディングブックのリスクファクタを抽出し、多数のシナリオにわたるレポートや、ヘッジファンド戦略のバックテストやシミュレーション、XVA、CCR、FRTB、SIMM-MVAといった規制といったリスク管理メトリクスを効果的に計算することができます。 TensorFlowの実装はhttps://github.com/differential-machine-learningで利用可能

関連論文リスト

Advancing Anomaly Detection: Non-Semantic Financial Data Encoding with LLMs [49.57641083688934]
本稿では,Large Language Models (LLM) 埋め込みを用いた財務データにおける異常検出の新しい手法を提案する。実験により,LLMが異常検出に有用な情報をもたらし,モデルがベースラインを上回っていることが確認された。
論文参考訳（メタデータ） (2024-06-05T20:19:09Z)
Quantum Computational Algorithms for Derivative Pricing and Credit Risk in a Regime Switching Economy [0.0]
金融市場のリスクを模倣する観点からも現実的なプロセスのクラスを紹介します。ゲート型量子コンピュータにおける信用リスクとオプション価格を推定するアルゴリズムについて検討する。
論文参考訳（メタデータ） (2023-11-01T20:15:59Z)
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)
Benchmarking Automated Machine Learning Methods for Price Forecasting Applications [58.720142291102135]
自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。 CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
論文参考訳（メタデータ） (2023-04-28T10:27:38Z)
FeDXL: Provable Federated Learning for Deep X-Risk Optimization [105.17383135458897]
我々は、既存のアルゴリズムが適用できないXリスクのファミリーを最適化するために、新しい連邦学習(FL)問題に取り組む。 Xリスクに対するFLアルゴリズムを設計する際の課題は、複数のマシンに対する目的の非可逆性と、異なるマシン間の相互依存にある。
論文参考訳（メタデータ） (2022-10-26T00:23:36Z)
Analyzing Machine Learning Models for Credit Scoring with Explainable AI and Optimizing Investment Decisions [0.0]
本稿では、説明可能なAI(XAI)の実践に関連する2つの異なる質問について検討する。この研究では、単一分類器(論理回帰、決定木、LDA、QDA)、異種アンサンブル(AdaBoost、ランダムフォレスト)、シーケンシャルニューラルネットワークなど、さまざまな機械学習モデルを比較した。 LIMEとSHAPの2つの高度なポストホックモデル説明可能性技術を用いて、MLベースのクレジットスコアリングモデルを評価する。
論文参考訳（メタデータ） (2022-09-19T21:44:42Z)
InfoGram and Admissible Machine Learning [0.0]
本稿では、新しい情報理論学習フレームワーク(許容機械学習)とアルゴリズムリスク管理ツール(InfoGram、L-features、ALFA-testing)を紹介する。我々は、金融セクター、バイオメディカルリサーチ、マーケティングキャンペーン、刑事司法制度など、いくつかの実データ例を用いて、我々のアプローチを実証してきた。
論文参考訳（メタデータ） (2021-08-17T00:04:38Z)
Predicting Status of Pre and Post M&A Deals Using Machine Learning and Deep Learning Techniques [0.0]
リスク仲裁または合併仲裁は、M&A取引の成功を推測する投資戦略である。事前の取引状況の予測は、リスク仲裁者にとって非常に重要である。本稿では,買収成功予測問題に対するMLとDLに基づく手法を提案する。
論文参考訳（メタデータ） (2021-08-05T21:26:45Z)
LeanML: A Design Pattern To Slash Avoidable Wastes in Machine Learning Projects [0.5330240017302619]
機械学習プロジェクトへのリーン方法論の最初の応用を紹介します。我々は、リーン機械学習(LeanML)が、商用機械学習プロジェクトで回避可能な無駄を大幅に削減できると主張している。
論文参考訳（メタデータ） (2021-07-16T18:16:48Z)
Practical Machine Learning Safety: A Survey and Primer [81.73857913779534]
自動運転車のような安全クリティカルなアプリケーションにおける機械学習アルゴリズムのオープンワールド展開は、さまざまなML脆弱性に対処する必要がある。一般化エラーを低減し、ドメイン適応を実現し、外乱例や敵攻撃を検出するための新しいモデルと訓練技術。我々の組織は、MLアルゴリズムの信頼性を異なる側面から向上するために、最先端のML技術を安全戦略にマッピングする。
論文参考訳（メタデータ） (2021-06-09T05:56:42Z)
Transfer Learning without Knowing: Reprogramming Black-box Machine Learning Models with Scarce Data and Limited Resources [78.72922528736011]
そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。 BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
論文参考訳（メタデータ） (2020-07-17T01:52:34Z)

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。