論文の概要: Parsimonious Quantile Regression of Financial Asset Tail Dynamics via Sequential Learning

• arxiv url: http://arxiv.org/abs/2010.08263v1
• Date: Fri, 16 Oct 2020 09:35:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-06 22:15:53.273890
• Title: Parsimonious Quantile Regression of Financial Asset Tail Dynamics via Sequential Learning
• Title（参考訳）: 逐次学習による金融資産テールダイナミクスの微妙な量的回帰
• Authors: Xing Yan, Weizhong Zhang, Lin Ma, Wei Liu, Qi Wu
• Abstract要約: 本稿では、金融資産返却の動的テール挙動を学習するための擬似量子回帰フレームワークを提案する。 本モデルは,財務時系列の時間変化特性と非対称ヘビーテール特性の両方をよく捉えている。
• 参考スコア（独自算出の注目度）: 35.34574502348672
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a parsimonious quantile regression framework to learn the dynamic tail behaviors of financial asset returns. Our model captures well both the time-varying characteristic and the asymmetrical heavy-tail property of financial time series. It combines the merits of a popular sequential neural network model, i.e., LSTM, with a novel parametric quantile function that we construct to represent the conditional distribution of asset returns. Our model also captures individually the serial dependences of higher moments, rather than just the volatility. Across a wide range of asset classes, the out-of-sample forecasts of conditional quantiles or VaR of our model outperform the GARCH family. Further, the proposed approach does not suffer from the issue of quantile crossing, nor does it expose to the ill-posedness comparing to the parametric probability density function approach.
• Abstract（参考訳）: 本稿では、金融資産返却の動的テール挙動を学習するための擬似量子回帰フレームワークを提案する。 本モデルは,金融時系列の時間変動特性と非対称重テール特性の両方をよく捉えている。 これは、一般的な逐次ニューラルネットワークモデル、すなわちLSTMの利点と、資産返却の条件分布を表すために構築される新しいパラメトリック量子関数を組み合わせる。 我々のモデルはまた、ボラティリティだけでなく、高次モーメントのシリアル依存を個別にキャプチャする。 幅広い資産クラスにわたって、我々のモデルの条件付分位数やvarの予測は、garchファミリーを上回っている。 さらに、提案手法は、量子交差の問題に悩まされず、パラメトリック確率密度関数のアプローチと比較して、不適切な結果に曝されることもない。

関連論文リスト

• Generalized Distribution Prediction for Asset Returns [0.9944647907864256]
  本稿では,Long Short-Term Memory (LSTM) ネットワークを用いたQuantile-based methodを用いて,資産返却の分布を予測する新しい手法を提案する。 第1段階は資産特化特徴を用いた正規化資産返却量の予測に焦点を合わせ,第2段階は市場データを用いてこれらの予測をより広範な経済状況に適応させる。
  論文  参考訳（メタデータ） (2024-10-15T15:31:44Z)
• Consensus-Adaptive RANSAC [104.87576373187426]
  本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。 注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
  論文  参考訳（メタデータ） (2023-07-26T08:25:46Z)
• Adaptive Conditional Quantile Neural Processes [9.066817971329899]
  条件量子ニューラルプロセス(CQNP)は、ニューラルプロセスファミリーの新たなメンバーである。 本稿では,情報量推定に焦点をあてることから学習する量子レグレッションの拡張を提案する。 実データと合成データセットによる実験は、予測性能を大幅に改善した。
  論文  参考訳（メタデータ） (2023-05-30T06:19:19Z)
• Bayesian predictive modeling of multi-source multi-way data [0.0]
  初期鉄欠乏症 (ID) の予測因子として, 複数のオミクス源から得られた分子データについて検討した。 係数に低ランク構造を持つ線形モデルを用いて多方向依存を捕捉する。 本モデルでは, 誤分類率と推定係数と真の係数との相関から, 期待通りの性能を示すことを示す。
  論文  参考訳（メタデータ） (2022-08-05T21:58:23Z)
• Time varying regression with hidden linear dynamics [74.9914602730208]
  線形力学系に従って未知のパラメータが進化することを前提とした時間変化線形回帰モデルを再検討する。 反対に、基礎となる力学が安定である場合、このモデルのパラメータは2つの通常の最小二乗推定と組み合わせることで、データから推定できることが示される。
  論文  参考訳（メタデータ） (2021-12-29T23:37:06Z)
• Forecasting High-Dimensional Covariance Matrices of Asset Returns with Hybrid GARCH-LSTMs [0.0]
  本稿では,GARCHプロセスとニューラルネットワークを混合したハイブリッドモデルによるアセットリターンの共分散行列の予測能力について検討する。 提案された新しいモデルは、均等に重み付けされたポートフォリオを上回るだけでなく、エコノメトリとかなり差があるため、非常に有望である。
  論文  参考訳（メタデータ） (2021-08-25T23:41:43Z)
• Dynamic Gaussian Mixture based Deep Generative Model For Robust Forecasting on Sparse Multivariate Time Series [43.86737761236125]
  本研究では,孤立した特徴表現ではなく,潜在クラスタの遷移を追跡する新しい生成モデルを提案する。 新たに設計された動的ガウス混合分布が特徴であり、クラスタリング構造のダイナミクスを捉えている。 帰納的解析を可能にするために構造化推論ネットワークも設計されている。
  論文  参考訳（メタデータ） (2021-03-03T04:10:07Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
  我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。 トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
  論文  参考訳（メタデータ） (2020-10-27T17:54:12Z)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)

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。