論文の概要: Forecasting High-Dimensional Covariance Matrices of Asset Returns with
Hybrid GARCH-LSTMs
- arxiv url: http://arxiv.org/abs/2109.01044v1
- Date: Wed, 25 Aug 2021 23:41:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-05 08:54:40.757832
- Title: Forecasting High-Dimensional Covariance Matrices of Asset Returns with
Hybrid GARCH-LSTMs
- Title(参考訳): ハイブリッドGARCH-LSTMを用いたアセットリターンの高次元共分散行列の予測
- Authors: Lucien Boulet
- Abstract要約: 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。
- 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: Several academics have studied the ability of hybrid models mixing univariate
Generalized Autoregressive Conditional Heteroskedasticity (GARCH) models and
neural networks to deliver better volatility predictions than purely
econometric models. Despite presenting very promising results, the
generalization of such models to the multivariate case has yet to be studied.
Moreover, very few papers have examined the ability of neural networks to
predict the covariance matrix of asset returns, and all use a rather small
number of assets, thus not addressing what is known as the curse of
dimensionality. The goal of this paper is to investigate the ability of hybrid
models, mixing GARCH processes and neural networks, to forecast covariance
matrices of asset returns. To do so, we propose a new model, based on
multivariate GARCHs that decompose volatility and correlation predictions. The
volatilities are here forecast using hybrid neural networks while correlations
follow a traditional econometric process. After implementing the models in a
minimum variance portfolio framework, our results are as follows. First, the
addition of GARCH parameters as inputs is beneficial to the model proposed.
Second, the use of one-hot-encoding to help the neural network differentiate
between each stock improves the performance. Third, the new model proposed is
very promising as it not only outperforms the equally weighted portfolio, but
also by a significant margin its econometric counterpart that uses univariate
GARCHs to predict the volatilities.
- Abstract(参考訳): いくつかの研究者は、単変量一般化自己回帰条件ヘテロスケダスティック性(GARCH)モデルとニューラルネットワークを混合して、純粋な計量モデルよりも優れたボラティリティ予測を実現する能力について研究している。
非常に有望な結果を示したにもかかわらず、そのようなモデルの多変量体への一般化はまだ研究されていない。
さらに、アセットリターンの共分散行列を予測するニューラルネットワークの能力を検証した論文はほとんどなく、いずれも比較的少数のアセットを使用するため、次元性の呪いとして知られるものには対処していない。
本研究の目的は,garchプロセスとニューラルネットワークを混合し,資産リターンの共分散行列を予測するハイブリッドモデルの能力を検討することである。
そこで本研究では,ボラティリティと相関予測を分解する多変量ガーチに基づく新しいモデルを提案する。
ボラティリティはハイブリッドニューラルネットワークを使って予測され、相関は従来の計量過程に従っている。
最小分散ポートフォリオフレームワークでモデルを実装した後、以下の結果が得られます。
まず、入力としてGARCHパラメータを追加することは、提案したモデルに有益である。
第2に、ニューラルネットワークが各ストックを区別するためのワンホットエンコーディングを使用することで、パフォーマンスが向上する。
第三に、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、一変量 GARCH を用いて変動を予測できる、その計量的手法のかなりの差によって、非常に有望である。
関連論文リスト
- Structured Radial Basis Function Network: Modelling Diversity for
Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。
構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。
この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文 参考訳(メタデータ) (2023-09-02T01:27:53Z) - 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) - A Statistics and Deep Learning Hybrid Method for Multivariate Time
Series Forecasting and Mortality Modeling [0.0]
Exponential Smoothing Recurrent Neural Network (ES-RNN)は、統計予測モデルとリカレントニューラルネットワークのハイブリッドである。
ES-RNNはMakridakis-4 Forecasting Competitionで絶対誤差を9.4%改善した。
論文 参考訳(メタデータ) (2021-12-16T04:44:19Z) - ES-dRNN: A Hybrid Exponential Smoothing and Dilated Recurrent Neural
Network Model for Short-Term Load Forecasting [1.4502611532302039]
複雑な時系列(TS)のため、短期負荷予測(STLF)は困難である
本稿では,複数の季節性を扱うハイブリッド階層型ディープラーニングモデルを提案する。
指数スムージング(ES)とリカレントニューラルネットワーク(RNN)を組み合わせる。
論文 参考訳(メタデータ) (2021-12-05T19:38:42Z) - Information Theoretic Structured Generative Modeling [13.117829542251188]
構造生成モデル (Structured Generative Model, SGM) と呼ばれる新しい生成モデルフレームワークが提案され, 簡単な最適化が可能となった。
この実装では、無限のガウス混合モデルを学習するために適合した単一白色ノイズ源への正則入力によって駆動される1つのニューラルネットワークを採用している。
予備的な結果は、SGMがデータ効率と分散、従来のガウス混合モデルと変分混合モデル、および敵ネットワークのトレーニングにおいてMINE推定を著しく改善することを示している。
論文 参考訳(メタデータ) (2021-10-12T07:44:18Z) - Sparse MoEs meet Efficient Ensembles [49.313497379189315]
このようなモデルの2つの一般的なクラス、すなわちニューラルネットワークのアンサンブルと専門家のスパースミックス(スパースMoE)の相互作用について研究する。
Efficient Ensemble of Experts (E$3$)は、両モデルのクラスを最大限に活用するスケーラブルでシンプルなMoEのアンサンブルであり、深いアンサンブルよりも最大45%少ないFLOPを使用する。
論文 参考訳(メタデータ) (2021-10-07T11:58:35Z) - Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。
GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。
本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
論文 参考訳(メタデータ) (2021-01-06T17:36:26Z) - Recurrent Conditional Heteroskedasticity [0.0]
本稿では,Recurrent Conditional Heteroskedastic(RECH)モデルと呼ばれる新たな金融変動モデルを提案する。
特に、リカレントニューラルネットワークが支配する補助的決定過程を、従来の条件付きヘテロスケダスティックモデルの条件分散に組み込む。
論文 参考訳(メタデータ) (2020-10-25T08:09:29Z) - Autoregressive Score Matching [113.4502004812927]
自動回帰条件スコアモデル(AR-CSM)を提案する。
AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。
本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
論文 参考訳(メタデータ) (2020-10-24T07:01:24Z) - Parsimonious Quantile Regression of Financial Asset Tail Dynamics via
Sequential Learning [35.34574502348672]
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。
論文 参考訳(メタデータ) (2020-10-16T09:35:52Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳(メタデータ) (2020-06-26T13:50:19Z)
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。