論文の概要: Online Bayesian inference for multiple changepoints and risk assessment

• arxiv url: http://arxiv.org/abs/2106.05834v1
• Date: Mon, 31 May 2021 13:09:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-13 13:59:27.986165
• Title: Online Bayesian inference for multiple changepoints and risk assessment
• Title（参考訳）: 複数の変化点に対するオンラインベイズ推定とリスク評価
• Authors: Olivier Sorba, C Geissler
• Abstract要約: 本研究の目的は,多次元連続信号の平均における急激な傾向変化を検出することである。 実用化には、部分的に観察されたマルチアセット投資戦略の回帰が含まれる。
• 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: The aim of the present study is to detect abrupt trend changes in the mean of a multidimensional sequential signal. Directly inspired by papers of Fernhead and Liu ([4] and [5]), this work describes the signal in a hierarchical manner : the change dates of a time segmentation process trigger the renewal of a piece-wise constant emission law. Bayesian posterior information on the change dates and emission parameters is obtained. These estimations can be revised online, i.e. as new data arrive. This paper proposes explicit formulations corresponding to various emission laws, as well as a generalization to the case where only partially observed data are available. Practical applications include the returns of partially observed multi-asset investment strategies, when only scant prior knowledge of the movers of the returns is at hand, limited to some statistical assumptions. This situation is different from the study of trend changes in the returns of individual assets, where fundamental exogenous information (news, earnings announcements, controversies, etc.) can be used.
• Abstract（参考訳）: 本研究の目的は,多次元連続信号の平均における急激な傾向変化を検出することである。 fernhead と liu ([4] と [5]) の論文に着想を得た本書では,信号の階層的変化について記述する。 変化日と放出パラメータに関するベイズ後方情報を得る。 これらの見積もりはオンラインで修正できる。 新しいデータが届きます 本稿では,様々な排出法則に対応する明示的な定式化と,部分的に観測されたデータしか利用できない場合の一般化を提案する。 現実的な応用には、部分的に観察されたマルチアセット投資戦略のリターンが含まれており、リターンの移動者の事前の知識をスキャンするだけで、いくつかの統計的仮定に制限される。 この状況は、基本的な外因性情報(新情報、決算発表、論争等)がある個々の資産のリターンの傾向の変化の研究とは異なる。 使える。

関連論文リスト

• Bayesian Autoregressive Online Change-Point Detection with Time-Varying Parameters [0.8192907805418583]
  現実世界のシステムにおける変化点は、システムの力学における重要な状態変化を示す。 本稿では,一変量時系列を用いたオンライン変化点検出手法を提案する。 時間的依存関係と時間的パラメータをモデル化することにより、推定精度と予測能力の両方を高めることができる。
  論文  参考訳（メタデータ） (2024-07-23T10:57:13Z)
• Geometry-Aware Instrumental Variable Regression [56.16884466478886]
  本稿では,データ導出情報によるデータ多様体の幾何を考慮した移動型IV推定器を提案する。 本手法のプラグイン・アンド・プレイ実装は,標準設定で関連する推定器と同等に動作する。
  論文  参考訳（メタデータ） (2024-05-19T17:49:33Z)
• Change Point Detection with Conceptors [0.6526824510982799]
  オフラインの変更点検出は、時系列内の変更点を振り返って特定する。 平均と分散の変化を対象とする多くの非パラメトリック手法は、非線形時間依存の存在下では失敗する。 本稿では,任意の依存構造を持つベースライン学習窓の特性を学習するための概念行列を提案する。 関連するエコー状態ネットワークはデータのデファシライザとして機能し、特徴間の相互作用の性質とベースライン状態との関係から変化点を識別する。
  論文  参考訳（メタデータ） (2023-08-11T16:32:00Z)
• DCID: Deep Canonical Information Decomposition [84.59396326810085]
  本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。 そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。 また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
  論文  参考訳（メタデータ） (2023-06-27T16:59:06Z)
• New Insights on Reducing Abrupt Representation Change in Online Continual Learning [69.05515249097208]
  我々は、以前に観測されていないクラスが入ってくるデータストリームに現れるときに発生する観測データの表現の変化に焦点を当てる。 Experience Replayを適用すると、新たに追加されたクラスの表現が以前のクラスと大幅に重複することを示します。 本稿では,新しいクラスに対応するために,学習した表現を劇的な適応から保護することで,この問題を緩和する手法を提案する。
  論文  参考訳（メタデータ） (2022-03-08T01:37:00Z)
• Regularizing Variational Autoencoder with Diversity and Uncertainty Awareness [61.827054365139645]
  変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。 よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
  論文  参考訳（メタデータ） (2021-10-24T07:58:13Z)
• Universal Off-Policy Evaluation [64.02853483874334]
  ユニバーサルオフ政治推定器(UnO)への第一歩を踏み出す 我々は, 平均, 分散, 分位数/中間数, 分位数範囲, cvar, および累積分布全体の推定と同時結合に uno を用いる。
  論文  参考訳（メタデータ） (2021-04-26T18:54:31Z)
• Reducing Representation Drift in Online Continual Learning [87.71558506591937]
  私たちは、エージェントが制限されたメモリと計算で変化する分布から学ぶ必要があるオンライン連続学習パラダイムを研究します。 この作業では、入ってくるデータストリームに未観測のクラスサンプルが導入されることにより、事前に観測されたデータの表現の変化に焦点を合わせます。
  論文  参考訳（メタデータ） (2021-04-11T15:19:30Z)
• Partially Observable Online Change Detection via Smooth-Sparse Decomposition [16.8028358824706]
  本研究は,センサ容量の制限により,各センシング時点におけるデータストリームのサブセットのみを観測できる,疎度な変化を伴う高次元データストリームのオンライン変化検出について考察する。 一方、検出方式は、部分的に観測可能なデータを扱うことができ、一方、スパース変化に対する効率的な検出能力を有するべきである。 本稿では,CDSSDと呼ばれる新しい検出手法を提案する。特にスムーズな分解によるスムーズな変化を伴う高次元データの構造について述べる。
  論文  参考訳（メタデータ） (2020-09-22T16:03:04Z)

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。