論文の概要: Adaptive Learning on Time Series: Method and Financial Applications

• arxiv url: http://arxiv.org/abs/2110.11156v1
• Date: Thu, 21 Oct 2021 13:59:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-23 01:40:47.961056
• Title: Adaptive Learning on Time Series: Method and Financial Applications
• Title（参考訳）: 時系列に基づく適応学習の手法とファイナンシャル・アプリケーション
• Authors: Parley Ruogu Yang, Ryan Lucas, Camilla Schelpe
• Abstract要約: 適応学習(Adaptive Learning)は、複数の予測地平線を越えたS&P 500リターンの予測に使用しています。 アダプティブ・ラーニング・モデルは、パラメトリック・モデルの最も優れたものが後部モデルと同等である。 本稿では,2020年の市場崩壊における学習成果の財務的応用と学習体制の解釈について述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We formally introduce a time series statistical learning method, called Adaptive Learning, capable of handling model selection, out-of-sample forecasting and interpretation in a noisy environment. Through simulation studies we demonstrate that the method can outperform traditional model selection techniques such as AIC and BIC in the presence of regime-switching, as well as facilitating window size determination when the Data Generating Process is time-varying. Empirically, we use the method to forecast S&P 500 returns across multiple forecast horizons, employing information from the VIX Curve and the Yield Curve. We find that Adaptive Learning models are generally on par with, if not better than, the best of the parametric models a posteriori, evaluated in terms of MSE, while also outperforming under cross validation. We present a financial application of the learning results and an interpretation of the learning regime during the 2020 market crash. These studies can be extended in both a statistical direction and in terms of financial applications.
• Abstract（参考訳）: 本稿では,モデル選択,サンプル外予測,解釈をノイズの多い環境で処理できる適応学習という時系列統計学習手法を正式に導入する。 シミュレーション研究を通じて,AICやBICといった従来のモデル選択手法を,レジームスイッチングの有無で上回り,データ生成プロセスが時間変化した場合のウィンドウサイズ決定を容易にすることを実証した。 実験では,vix曲線と降伏曲線の情報を用いて,複数の予測地平線をまたいでs&p 500のリターン予測を行う。 我々は,適応学習モデルが一般的に,mseの観点で評価される最善のパラメトリックモデルと同等であると同時に,クロス検証下でも優れていることを見出した。 本稿では,2020年の市場崩壊における学習成果の財務的応用と学習体制の解釈について述べる。 これらの研究は、統計的方向と金融的用途の両方で拡張することができる。

関連論文リスト

• Getting More Juice Out of the SFT Data: Reward Learning from Human Demonstration Improves SFT for LLM Alignment [65.15914284008973]
  我々は、報酬モデルと政策モデルを同時に構築するために、逆強化学習(IRL)技術を活用することを提案する。 提案アルゴリズムはIRL問題の定常解に収束することを示す。 その結果,アライメントプロセス全体を通じて報酬学習を活用することは有益であることが示唆された。
  論文  参考訳（メタデータ） (2024-05-28T07:11:05Z)
• An Emulator for Fine-Tuning Large Language Models using Small Language Models [91.02498576056057]
  本研究では,異なるスケールでの事前学習と微調整の結果を近似する分布から,エミュレート・ファインチューニング(EFT)を原理的かつ実用的なサンプリング法として導入する。 EFTは、追加トレーニングを伴わずに、有益性や無害性といった競合する行動特性をテスト時間で調整できることを示す。 最後に、LMアップスケーリングと呼ばれるエミュレートされたファインチューニングの特殊な場合において、小さなファインチューニングモデルと組み合わせることで、大きな事前学習モデルのリソース集約的なファインチューニングを回避する。
  論文  参考訳（メタデータ） (2023-10-19T17:57:16Z)
• Towards a Prediction of Machine Learning Training Time to Support Continuous Learning Systems Development [5.207307163958806]
  我々は全文を実証研究する。 ZhengらによるFPTC(Time Complexity)アプローチ。 本稿では,ロジスティック回帰とランダムフォレスト分類のための定式化について検討する。 本研究では,本研究から,学習時間の予測が文脈とどのように密接に関連しているかを観察する。
  論文  参考訳（メタデータ） (2023-09-20T11:35:03Z)
• A Comprehensive Survey on Test-Time Adaptation under Distribution Shifts [143.14128737978342]
  新たなパラダイムであるテスト時適応は、事前トレーニングされたモデルをテスト中にラベルのないデータに適用し、予測を行う可能性がある。 このパラダイムの最近の進歩は、推論に先立って自己適応モデルのトレーニングにラベルのないデータを活用するという大きな利点を浮き彫りにしている。
  論文  参考訳（メタデータ） (2023-03-27T16:32:21Z)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• fETSmcs: Feature-based ETS model component selection [8.99236558175168]
  シミュレーションデータに基づく分類器の訓練によるETSモデル選択の効率的な手法を提案し, 与えられた時系列に対する適切なモデル成分の予測を行う。 提案手法は,広く使用されている予測競合データセットM4に対して,点予測と予測間隔の両面から評価する。
  論文  参考訳（メタデータ） (2022-06-26T13:52:43Z)
• Adaptive learning for financial markets mixing model-based and model-free RL for volatility targeting [0.0]
  モデルフリー強化学習は安定した環境において有意義な成果を上げてきたが、今日でも金融市場のような環境の変化に問題がある。 モデルフリーな深層強化学習により,様々なモデルベースアプローチを選択することで,この2つの手法のベストを組み合わせることを提案する。
  論文  参考訳（メタデータ） (2021-04-19T19:20:22Z)
• Interpretable ML-driven Strategy for Automated Trading Pattern Extraction [2.7910505923792646]
  金融時系列分析のためのボリュームベースデータ前処理手法を提案する。 手法の性能を評価するために統計的手法を用いる。 提案手法により,金融時系列パターンの分類を成功させることができた。
  論文  参考訳（メタデータ） (2021-03-23T09:55:46Z)
• On the Impact of Applying Machine Learning in the Decision-Making of Self-Adaptive Systems [17.93069260609691]
  計算学習理論を用いて、検証者による予測に対する機械学習手法の影響に関する理論的境界を決定する。 最後に、この分野における今後の研究の機会を検討します。
  論文  参考訳（メタデータ） (2021-03-18T11:59:50Z)
• Learning summary features of time series for likelihood free inference [93.08098361687722]
  時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。 以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-12-04T19:21:37Z)
• Model-Augmented Actor-Critic: Backpropagating through Paths [81.86992776864729]
  現在のモデルに基づく強化学習アプローチでは、単に学習されたブラックボックスシミュレータとしてモデルを使用する。 その微分可能性を利用してモデルをより効果的に活用する方法を示す。
  論文  参考訳（メタデータ） (2020-05-16T19:18:10Z)

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。