論文の概要: Applying Dynamic Training-Subset Selection Methods Using Genetic
Programming for Forecasting Implied Volatility
- arxiv url: http://arxiv.org/abs/2007.07207v1
- Date: Mon, 29 Jun 2020 21:28:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 14:38:35.315264
- Title: Applying Dynamic Training-Subset Selection Methods Using Genetic
Programming for Forecasting Implied Volatility
- Title（参考訳）: 遺伝的プログラミングを用いた動的トレーニング・サブセット選択手法の適用
- Authors: Sana Ben Hamida and Wafa Abdelmalek and Fathi Abid
- Abstract要約: 本稿では,遺伝的プログラミング(GP)の拡張によるインプリッドボラティリティの予測精度の向上を目的とする。
ランダム・シーケンシャル・アダプティブ・サブセット選択に基づいて,4つの動的トレーニング・サブセット選択法を提案する。
その結果,動的手法により生成したGPモデルの予測性能が向上することがわかった。
- 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: Volatility is a key variable in option pricing, trading and hedging
strategies. The purpose of this paper is to improve the accuracy of forecasting
implied volatility using an extension of genetic programming (GP) by means of
dynamic training-subset selection methods. These methods manipulate the
training data in order to improve the out of sample patterns fitting. When
applied with the static subset selection method using a single training data
sample, GP could generate forecasting models which are not adapted to some out
of sample fitness cases. In order to improve the predictive accuracy of
generated GP patterns, dynamic subset selection methods are introduced to the
GP algorithm allowing a regular change of the training sample during evolution.
Four dynamic training-subset selection methods are proposed based on random,
sequential or adaptive subset selection. The latest approach uses an adaptive
subset weight measuring the sample difficulty according to the fitness cases
errors. Using real data from SP500 index options, these techniques are compared
to the static subset selection method. Based on MSE total and percentage of non
fitted observations, results show that the dynamic approach improves the
forecasting performance of the generated GP models, specially those obtained
from the adaptive random training subset selection method applied to the whole
set of training samples.
- Abstract（参考訳）: ボラティリティはオプション価格、トレーディング、ヘッジ戦略において重要な変数である。
本研究の目的は,動的トレーニング-サブセット選択法を用いて遺伝的プログラミング(GP)の拡張を用いて,インプリッドボラティリティの予測精度を向上させることである。
これらの方法はサンプルパターンの適合性を改善するためにトレーニングデータを操作する。
1つのトレーニングデータサンプルを用いて静的サブセット選択法を適用した場合、GPはサンプル適合性に適応しない予測モデルを生成することができる。
生成したGPパターンの予測精度を向上させるため、GPアルゴリズムに動的サブセット選択法を導入し、進化中のトレーニングサンプルの定期的な変更を可能にする。
ランダム、シーケンシャル、適応的部分集合選択に基づく4つの動的トレーニング・サブセット選択法を提案する。
最新のアプローチでは、適合度ケースのエラーに応じてサンプルの難易度を測定する適応的なサブセット重みを使用する。
SP500インデックスオプションの実際のデータを用いて、これらの手法を静的サブセット選択法と比較する。
mseの総計と非適合率に基づき、動的アプローチにより生成されたgpモデルの予測性能が向上し、特にトレーニングサンプルのセット全体に適用した適応的ランダムトレーニングサブセット選択法により得られた。
関連論文リスト
- Multi-model Ensemble Conformal Prediction in Dynamic Environments [14.188004615463742]
本稿では,複数の候補モデルから予測セットを作成するために使用されるモデルを選択する適応型共形予測フレームワークを提案する。
提案アルゴリズムは, 有効なカバレッジを維持しつつ, 全区間にわたる強い適応的後悔を達成できることが証明された。
論文 参考訳（メタデータ） (2024-11-06T05:57:28Z) - Test-Time Model Adaptation with Only Forward Passes [68.11784295706995]
テストタイム適応は、トレーニング済みのモデルを、潜在的に分布シフトのある未確認テストサンプルに適応させるのに有効であることが証明されている。
テスト時間フォワード最適化適応法(FOA)を提案する。
FOAは量子化された8ビットのViTで動作し、32ビットのViTで勾配ベースのTENTより優れ、ImageNet-Cで最大24倍のメモリ削減を実現する。
論文 参考訳（メタデータ） (2024-04-02T05:34:33Z) - Consistency Regularization for Generalizable Source-free Domain
Adaptation [62.654883736925456]
ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。
既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。
より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-03T07:45:53Z) - Thompson sampling for improved exploration in GFlowNets [75.89693358516944]
生成フローネットワーク(Generative Flow Networks, GFlowNets)は、合成対象物上の分布からのサンプリングを、学習可能なアクションポリシーを用いたシーケンシャルな意思決定問題として扱う、アモータイズされた変分推論アルゴリズムである。
2つの領域において、TS-GFNは、過去の研究で使われたオフ・ポリティクス・サーベイ・ストラテジーよりも、探索を改善し、目標分布への収束を早くすることを示す。
論文 参考訳（メタデータ） (2023-06-30T14:19:44Z) - A Robust Classifier Under Missing-Not-At-Random Sample Selection Bias [15.628927478079913]
統計学において、グリーンの手法は、このタイプのサンプル選択を予測モデルとしてロジスティック回帰を用いて定式化する。
元のトレーニングセットを変更することでグリーンの手法を改善するアルゴリズムであるBiasCorrを提案する。
グリーン法よりもバイアスの偏りを解析し,BiasCorrの改良を理論的に保証する。
論文 参考訳（メタデータ） (2023-05-25T01:39:51Z) - A Comprehensive Survey on Test-Time Adaptation under Distribution Shifts [143.14128737978342]
新たなパラダイムであるテスト時適応は、事前トレーニングされたモデルをテスト中にラベルのないデータに適用し、予測を行う可能性がある。
このパラダイムの最近の進歩は、推論に先立って自己適応モデルのトレーニングにラベルのないデータを活用するという大きな利点を浮き彫りにしている。
論文 参考訳（メタデータ） (2023-03-27T16:32:21Z) - Adaptive Selection of the Optimal Strategy to Improve Precision and
Power in Randomized Trials [2.048226951354646]
精度を最大化するために、どの変数とどの形式で調整アプローチを選択するかを示す。
このアプローチは、(nullの下で)Type-Iエラー制御を維持し、精度を大幅に向上させる。
実データに適用すると、全体およびサブグループ内で有意義な効率改善が見られる。
論文 参考訳（メタデータ） (2022-10-31T16:25:38Z) - Predictive machine learning for prescriptive applications: a coupled
training-validating approach [77.34726150561087]
規範的応用のための予測機械学習モデルをトレーニングするための新しい手法を提案する。
このアプローチは、標準的なトレーニング検証テストスキームの検証ステップを微調整することに基づいている。
合成データを用いたいくつかの実験は、決定論的モデルと実モデルの両方において処方料コストを削減できる有望な結果を示した。
論文 参考訳（メタデータ） (2021-10-22T15:03:20Z) - A Scalable MIP-based Method for Learning Optimal Multivariate Decision
Trees [17.152864798265455]
1ノルムサポートベクトルマシンモデルに基づく新しいMIP定式化を提案し、分類問題に対する多変量 ODT の訓練を行う。
我々は, MIP定式化の線形緩和を緩和する切削面技術を提供し, 実行時間の改善と最適性を実現する。
我々の定式化は、平均的なサンプル外テストの精度で、文献において、平均で約10%上回っていることを実証する。
論文 参考訳（メタデータ） (2020-11-06T14:17:41Z) - Evolutionary Selective Imitation: Interpretable Agents by Imitation
Learning Without a Demonstrator [1.370633147306388]
進化戦略(ES)を介してエージェントを訓練する新しい手法を提案する。
イテレーション毎に、サンプルのサブセットを、これまで発見された最高の軌跡のサンプルに置き換えます。
このセットの評価手順は、教師付き学習を通じて、ランダムに初期化されたニューラルネットワーク(NN)を訓練して、セットを模倣する。
論文 参考訳（メタデータ） (2020-09-17T16:25:31Z) - Dynamic Scale Training for Object Detection [111.33112051962514]
本稿では,オブジェクト検出におけるスケール変動問題を軽減するために,動的スケールトレーニングパラダイム(DST)を提案する。
提案したDSTのスケール変動処理に対する有効性を示す実験結果を得た。
推論オーバーヘッドを導入せず、一般的な検出設定のための無料ランチとして機能する。
論文 参考訳（メタデータ） (2020-04-26T16:48:17Z)
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。