論文の概要: A deep learning approach to data-driven model-free pricing and to martingale optimal transport

• arxiv url: http://arxiv.org/abs/2103.11435v1
• Date: Sun, 21 Mar 2021 16:39:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-23 14:46:47.549057
• Title: A deep learning approach to data-driven model-free pricing and to martingale optimal transport
• Title（参考訳）: データ駆動型モデルフリー価格とマーチンゲール最適輸送への深層学習アプローチ
• Authors: Ariel Neufeld, Julian Sester
• Abstract要約: ニューラルネットワークに基づく新規かつ高トラクタブルな教師付き学習手法を紹介します。 マルチンゲール最適輸送問題を解決するためにニューラルネットワークを訓練する方法を示す。
• 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: We introduce a novel and highly tractable supervised learning approach based on neural networks that can be applied for the computation of model-free price bounds of, potentially high-dimensional, financial derivatives and for the determination of optimal hedging strategies attaining these bounds. In particular, our methodology allows to train a single neural network offline and then to use it online for the fast determination of model-free price bounds of a whole class of financial derivatives with current market data. We show the applicability of this approach and highlight its accuracy in several examples involving real market data. Further, we show how a neural network can be trained to solve martingale optimal transport problems involving fixed marginal distributions instead of financial market data.
• Abstract（参考訳）: 本稿では,ニューラルネットワークに基づく新しい,高次元の金融デリバティブのモデル自由価格境界の計算や,これらのバウンダリを達成するための最適なヘッジ戦略の決定に応用可能な,高度にトラクタブルな学習手法を提案する。 特に、我々の手法では、単一のニューラルネットワークをオフラインでトレーニングし、現在の市場データによる金融デリバティブのクラス全体のモデルフリー価格境界を迅速に決定するためにオンラインで使用することができる。 このアプローチの適用可能性を示し,実際の市場データを含むいくつかの例でその正確性を強調した。 さらに,金融市場データではなく,固定限界分布を伴うマルティンゲール最適輸送問題を解決するためにニューラルネットワークを訓練する方法を示す。

関連論文リスト

• Towards a Better Theoretical Understanding of Independent Subnetwork Training [56.24689348875711]
  独立サブネットワークトレーニング(IST)の理論的考察 ISTは、上記の問題を解決するための、最近提案され、非常に効果的である。 圧縮通信を用いた分散手法など,ISTと代替手法の基本的な違いを同定する。
  論文  参考訳（メタデータ） (2023-06-28T18:14:22Z)
• Neural networks can detect model-free static arbitrage strategies [5.639904484784127]
  市場が一部を認めると、ニューラルネットワークがモデルのない静的仲裁の機会を検出できることが示される。 本手法は取引証券数の多い金融市場に適用でき、対応する取引戦略のほぼ即時実行が保証される。
  論文  参考訳（メタデータ） (2023-06-19T17:42:40Z)
• Smoothness and monotonicity constraints for neural networks using ICEnet [0.0]
  本稿では,深層ニューラルネットワークモデルにおける制約を強制する新しい手法を提案する。 これらのモデルがどのようにトレーニングされ、実世界のデータセットを使用したサンプルアプリケーションを提供するかを示す。
  論文  参考訳（メタデータ） (2023-05-15T17:14:52Z)
• Augmented Bilinear Network for Incremental Multi-Stock Time-Series Classification [83.23129279407271]
  本稿では,有価証券のセットで事前学習したニューラルネットワークで利用可能な知識を効率的に保持する手法を提案する。 本手法では,既存の接続を固定することにより,事前学習したニューラルネットワークに符号化された事前知識を維持する。 この知識は、新しいデータを用いて最適化された一連の拡張接続によって、新しい証券に対して調整される。
  論文  参考訳（メタデータ） (2022-07-23T18:54:10Z)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)
• Detecting data-driven robust statistical arbitrage strategies with deep neural networks [5.812554622073437]
  我々は、金融市場における堅牢な統計的仲裁戦略の特定を可能にする、ディープニューラルネットワークに基づくアプローチを提案する。 提示された新しい手法は、大量の基礎証券を同時に検討することができる。 本研究では、観測された市場データから導出可能な許容確率尺度のあいまい性セットを構築する方法を提案する。
  論文  参考訳（メタデータ） (2022-03-07T07:23:18Z)
• A Scalable Inference Method For Large Dynamic Economic Systems [19.757929782329892]
  本稿では,時間変化パラメータ自動回帰モデルを組み込む新しい変分ベイズ推論手法を提案する。 我々のモデルは、価格、個々のアクターのトランザクション、トランザクションフローの分析、価格の動きを含む大規模なブロックチェーンデータセットに適用されます。 我々は、機械学習アーキテクチャの助けを借りて、フォワードモデルに非線形性を導入することで、シンプルな状態空間モデリングをさらに改善する。
  論文  参考訳（メタデータ） (2021-10-27T10:52:17Z)
• Bilinear Input Normalization for Neural Networks in Financial Forecasting [101.89872650510074]
  本稿では,高頻度金融時系列を扱うディープニューラルネットワークのための新しいデータ駆動正規化手法を提案する。 提案手法は,財務時系列のバイモーダル特性を考慮したものである。 我々の実験は最先端のニューラルネットワークと高周波データを用いて行われ、他の正規化技術よりも大幅に改善された。
  論文  参考訳（メタデータ） (2021-09-01T07:52:03Z)
• A Curriculum-style Self-training Approach for Source-Free Semantic Segmentation [91.13472029666312]
  ソースフリーなドメイン適応型セマンティックセマンティックセグメンテーションのためのカリキュラムスタイルの自己学習手法を提案する。 提案手法は, ソースフリーなセマンティックセグメンテーションタスクにおいて, 合成-実-実-実-実-実-実-非実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実
  論文  参考訳（メタデータ） (2021-06-22T10:21:39Z)
• Robust pricing and hedging via neural SDEs [0.0]
  我々は,ニューラルSDEの効率的な利用に必要な新しいアルゴリズムを開発し,分析する。 我々は、関連する市場データを取り入れつつ、デリバティブの価格とそれに対応するヘッジ戦略の堅牢な境界を見出した。 ニューラルSDEはリスクニュートラルと現実世界の両方で一貫したキャリブレーションを可能にする。
  論文  参考訳（メタデータ） (2020-07-08T14:33:17Z)
• Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
  最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。 このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できる このモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
  論文  参考訳（メタデータ） (2020-03-13T13:11:35Z)

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。