論文の概要: At the Intersection of Deep Sequential Model Framework and State-space Model Framework: Study on Option Pricing

• arxiv url: http://arxiv.org/abs/2012.07784v1
• Date: Mon, 14 Dec 2020 18:21:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-08 14:36:00.577453
• Title: At the Intersection of Deep Sequential Model Framework and State-space Model Framework: Study on Option Pricing
• Title（参考訳）: 深部連続モデルフレームワークと状態空間モデルフレームワークのインターセクション:オプション価格の検討
• Authors: Ziyang Ding and Sayan Mukherjee
• Abstract要約: 非線形力学系の推論と予測問題は様々な文脈で発生してきた。 深層シーケンシャルモデルと状態空間モデルの両方を統一し、両方のフレームワークの優位性を実現するモデルを提案する。
• 参考スコア（独自算出の注目度）: 2.3224617218247126
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inference and forecast problems of the nonlinear dynamical system have arisen in a variety of contexts. Reservoir computing and deep sequential models, on the one hand, have demonstrated efficient, robust, and superior performance in modeling simple and chaotic dynamical systems. However, their innate deterministic feature has partially detracted their robustness to noisy system, and their inability to offer uncertainty measurement has also been an insufficiency of the framework. On the other hand, the traditional state-space model framework is robust to noise. It also carries measured uncertainty, forming a just-right complement to the reservoir computing and deep sequential model framework. We propose the unscented reservoir smoother, a model that unifies both deep sequential and state-space models to achieve both frameworks' superiorities. Evaluated in the option pricing setting on top of noisy datasets, URS strikes highly competitive forecasting accuracy, especially those of longer-term, and uncertainty measurement. Further extensions and implications on URS are also discussed to generalize a full integration of both frameworks.
• Abstract（参考訳）: 非線形力学系の推論と予測問題は様々な文脈で発生してきた。 一方、貯水池計算と深層シーケンシャルモデルでは、単純でカオス的な力学系のモデリングにおいて効率的でロバストで優れた性能が実証されている。 しかし,その固有決定論的な特徴により,ノイズシステムへの頑健性が部分的に低下し,不確実性測定ができないことも,その枠組みの不十分さであった。 一方、従来の状態空間モデルフレームワークはノイズに対して堅牢である。 また、測定された不確実性も保持し、貯水池計算と深部シーケンシャルモデルフレームワークを忠実に補完する。 我々は,シーケンシャルモデルとステートスペースモデルの両方を統合し,両フレームワークの優位性を達成するためのモデルであるunscented reservoir smootherを提案する。 ノイズの多いデータセット上のオプション価格設定で評価されたURSは、特に長期の予測精度と不確実性の測定を高く評価する。 URSのさらなる拡張と含意についても論じられ、両方のフレームワークの完全な統合が一般化される。

関連論文リスト

• Model order reduction of deep structured state-space models: A system-theoretic approach [0.0]
  深い構造化状態空間モデルは高い予測性能を提供する。 学習された表現は、しばしば非常に大きなモデル順序に悩まされるため、制御設計の目的には適さない。 モデルの整合性を改善するためにトレーニング損失に組み込むことのできる2つの正規化項を導入する。 提示された正則化器は、同相表現と、縮小順序モデルによるより高速な推論という観点で利点をもたらす。
  論文  参考訳（メタデータ） (2024-03-21T21:05:59Z)
• Stability-Certified Learning of Control Systems with Quadratic Nonlinearities [9.599029891108229]
  この研究は、主に低次元の力学モデルを構築することを目的とした演算子推論手法に焦点を当てている。 本研究の目的は,本質的な安定性を保証する2次制御力学系の推論を容易にする手法を開発することである。
  論文  参考訳（メタデータ） (2024-03-01T16:26:47Z)
• Correct-by-Construction Control for Stochastic and Uncertain Dynamical Models via Formal Abstractions [44.99833362998488]
  我々は、様々なモデリングの前提の下でこの問題を解決するために使用できる抽象フレームワークを開発する。 我々は、与えられた仕様を満たすための保証とともに、iMDPの最適ポリシーを計算するために最先端の検証技術を使用します。 そして、このポリシーを構築によって、これらの保証が動的モデルに受け継がれるフィードバックコントローラに改良できることを示します。
  論文  参考訳（メタデータ） (2023-11-16T11:03:54Z)
• Dynamic ensemble selection based on Deep Neural Network Uncertainty Estimation for Adversarial Robustness [7.158144011836533]
  本研究では,動的アンサンブル選択技術を用いてモデルレベルの動的特性について検討する。 トレーニング段階では、ディリクレ分布はサブモデルの予測分布の先行として適用され、パラメータ空間における多様性制約が導入された。 テストフェーズでは、最終的な予測のための不確かさ値のランクに基づいて、特定のサブモデルが動的に選択される。
  論文  参考訳（メタデータ） (2023-08-01T07:41:41Z)
• Measuring and Modeling Uncertainty Degree for Monocular Depth Estimation [50.920911532133154]
  単分子深度推定モデル(MDE)の本質的な不適切さと順序感性は、不確かさの程度を推定する上で大きな課題となる。 本稿では,MDEモデルの不確かさを固有確率分布の観点からモデル化する。 新たなトレーニング正規化用語を導入することで、驚くほど単純な構成で、余分なモジュールや複数の推論を必要とせずに、最先端の信頼性で不確実性を推定できる。
  論文  参考訳（メタデータ） (2023-07-19T12:11:15Z)
• When Demonstrations Meet Generative World Models: A Maximum Likelihood Framework for Offline Inverse Reinforcement Learning [62.00672284480755]
  本稿では, 専門家エージェントから, 一定の有限個の実演において観測された動作を過小評価する報酬と環境力学の構造を復元することを目的とする。 タスクを実行するための正確な専門知識モデルは、臨床的意思決定や自律運転のような安全に敏感な応用に応用できる。
  論文  参考訳（メタデータ） (2023-02-15T04:14:20Z)
• Quantifying Model Uncertainty for Semantic Segmentation using Operators in the RKHS [20.348825818435767]
  本稿では,セマンティックセグメンテーションモデルの高精度な予測不確実性定量化のためのフレームワークを提案する。 我々は、ヒルベルト空間(RKHS)を再現するカーネルにおけるモデルの特徴空間に関連する不確実性の多項関数定義を用いる。 これにより、従来のベイズ法よりもモデルの不確実性に対するはるかに正確な見方が導かれる。
  論文  参考訳（メタデータ） (2022-11-03T17:10:49Z)
• Probabilities Are Not Enough: Formal Controller Synthesis for Stochastic Dynamical Models with Epistemic Uncertainty [68.00748155945047]
  複雑な力学系のモデルにおける不確実性を捉えることは、安全なコントローラの設計に不可欠である。 いくつかのアプローチでは、安全と到達可能性に関する時間的仕様を満たすポリシーを形式的な抽象化を用いて合成する。 我々の貢献は、ノイズ、不確実なパラメータ、外乱を含む連続状態モデルに対する新しい抽象的制御法である。
  論文  参考訳（メタデータ） (2022-10-12T07:57:03Z)
• Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
  ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。 本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
  論文  参考訳（メタデータ） (2021-05-17T08:36:18Z)
• Autoregressive Dynamics Models for Offline Policy Evaluation and Optimization [60.73540999409032]
  表現的自己回帰ダイナミクスモデルが次の状態の異なる次元を生成し、以前の次元で順次条件付きで報酬を得ることを示す。 また,リプレイバッファを充実させる手段として,自己回帰的ダイナミクスモデルがオフラインポリシー最適化に有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-28T16:48:44Z)
• Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
  我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。 このアプローチは多くの実装と最適化の課題をもたらします。 提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
  論文  参考訳（メタデータ） (2021-03-18T14:26:26Z)

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。