Fugu-MT 論文翻訳(概要): Machine Learning Time Series Regressions with an Application to Nowcasting

論文の概要: Machine Learning Time Series Regressions with an Application to Nowcasting

arxiv url: http://arxiv.org/abs/2005.14057v4
Date: Sat, 12 Dec 2020 18:30:09 GMT
ステータス: 処理完了
システム内更新日: 2022-11-27 05:54:56.397502
Title: Machine Learning Time Series Regressions with an Application to Nowcasting
Title（参考訳）: 機械学習時系列回帰と Nowcasting への応用
Authors: Andrii Babii and Eric Ghysels and Jonas Striaukas
Abstract要約: 本稿では、異なる周波数でサンプリング可能な高次元時系列データに対して、構造化された機械学習レグレッションを提案する。スパース群LASSO推定器は、このような時系列データ構造を活用でき、非構造LASSOより優れる。
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: This paper introduces structured machine learning regressions for high-dimensional time series data potentially sampled at different frequencies. The sparse-group LASSO estimator can take advantage of such time series data structures and outperforms the unstructured LASSO. We establish oracle inequalities for the sparse-group LASSO estimator within a framework that allows for the mixing processes and recognizes that the financial and the macroeconomic data may have heavier than exponential tails. An empirical application to nowcasting US GDP growth indicates that the estimator performs favorably compared to other alternatives and that text data can be a useful addition to more traditional numerical data.
Abstract（参考訳）: 本稿では,異なる周波数でサンプリング可能な高次元時系列データに対する構造化機械学習回帰を提案する。スパース群LASSO推定器は、このような時系列データ構造を活用でき、非構造LASSOより優れる。混合プロセスを可能にするフレームワーク内で,スパース群LASSO推定器のオラクル不等式を確立し,財務およびマクロ経済データが指数的尾部よりも重いことを認識した。米国のGDP成長を加速させる実証的な応用は、推定器が他の代替手段と比較して好適に機能し、テキストデータはより伝統的な数値データに有用な追加であることを示している。

関連論文リスト

Stock Volume Forecasting with Advanced Information by Conditional Variational Auto-Encoder [49.97673761305336]
本研究では,短時間・長期の予測作業において,日当たりのストックボリューム時系列の予測を改善するために,条件変動(CVAE)を用いることを実証する。 CVAEは非線形時系列をサンプル外予測として生成し、精度が向上し、実際のデータとの相関関係がより緊密になる。
論文参考訳（メタデータ） (2024-06-19T13:13:06Z)
Panel Data Nowcasting: The Case of Price-Earnings Ratios [0.0]
本論文は、異なる周波数でサンプリングされたシリーズからなるパネルデータを用いて、構造化された機械学習レグレッションを用いて、ストリームキャストを行う。大企業の企業業績予測の問題から、スパースグループのLASSOレギュラー化に焦点をあてる。
論文参考訳（メタデータ） (2023-07-05T22:04:46Z)
TSGM: A Flexible Framework for Generative Modeling of Synthetic Time Series [61.436361263605114]
時系列データは、研究者と産業組織間のデータの共有を妨げるため、しばしば不足または非常に敏感である。本稿では,合成時系列の生成モデリングのためのオープンソースフレームワークである時系列生成モデリング(TSGM)を紹介する。
論文参考訳（メタデータ） (2023-05-19T10:11:21Z)
On LASSO for High Dimensional Predictive Regression [0.0]
本稿では,L_1$-penalized regression法であるLASSOを高次元線形回帰法で検討する。 LASSOの整合性は、回帰器の交叉積の偏差境界と誤差項の2つの重要な成分に基づいて決定される。機械学習とマクロ経済分野の専門知識を用いて、LASSOは失業率の予測において高いパフォーマンスを示す。
論文参考訳（メタデータ） (2022-12-14T06:14:58Z)
Ensemble Conformalized Quantile Regression for Probabilistic Time Series Forecasting [4.716034416800441]
本稿では,アンサンブル共形量子化回帰(EnCQR)と呼ばれる新しい確率予測手法を提案する。 EnCQRは、分布のないほぼ妥当な予測間隔(PI)を構築し、非定常およびヘテロセダスティック時系列データに適しており、任意の予測モデルの上に適用することができる。その結果、EnCQRは量子レグレッションやコンフォメーション予測のみに基づくモデルよりも優れており、よりシャープで、より情報的で、有効なPIを提供することが示された。
論文参考訳（メタデータ） (2022-02-17T16:54:20Z)
Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
論文参考訳（メタデータ） (2021-10-26T20:41:19Z)
Learning summary features of time series for likelihood free inference [93.08098361687722]
時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
論文参考訳（メタデータ） (2020-12-04T19:21:37Z)
Topology-based Clusterwise Regression for User Segmentation and Demand Forecasting [63.78344280962136]
本研究は,パブリックおよび新規な商用データ集合を用いて,アナリストがユーザベースをクラスタリングし,詳細なレベルで需要を計画できることを示す。本研究は,TDAに基づく時系列クラスタリングと行列因数分解法によるクラスタ回帰を実践者にとって実行可能なツールとして導入することを目的とする。
論文参考訳（メタデータ） (2020-09-08T12:10:10Z)
Machine Learning Panel Data Regressions with Heavy-tailed Dependent Data: Theory and Application [0.0]
本稿では、重み付き依存パネルデータに対して、異なる周波数でサンプリング可能な構造化機械学習レグレッションを提案する。我々は, 疎水層群 LASSO パネルデータ推定装置において, 財務・経済データに脂肪尾が存在することを認識したオラクルの不等式を求める。
論文参考訳（メタデータ） (2020-08-08T21:12:33Z)
Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。