論文の概要: Clustering Market Regimes using the Wasserstein Distance

• arxiv url: http://arxiv.org/abs/2110.11848v1
• Date: Fri, 22 Oct 2021 15:27:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-25 16:58:42.225245
• Title: Clustering Market Regimes using the Wasserstein Distance
• Title（参考訳）: ワッサーシュタイン距離を用いたクラスタリング市場レジーム
• Authors: Blanka Horvath, Zacharia Issa, Aitor Muguruza
• Abstract要約: 金融時系列を適切な時間セグメントにクラスタリングするための教師なし学習アルゴリズムについて概説する。 市場体制を分類するプロセスを自動化する頑健なアルゴリズムを開発する。 どちらの場合も、WK-meansアルゴリズムは競合すると考えられるアプローチをはるかに上回っていることが示されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The problem of rapid and automated detection of distinct market regimes is a topic of great interest to financial mathematicians and practitioners alike. In this paper, we outline an unsupervised learning algorithm for clustering financial time-series into a suitable number of temporal segments (market regimes). As a special case of the above, we develop a robust algorithm that automates the process of classifying market regimes. The method is robust in the sense that it does not depend on modelling assumptions of the underlying time series as our experiments with real datasets show. This method -- dubbed the Wasserstein $k$-means algorithm -- frames such a problem as one on the space of probability measures with finite $p^\text{th}$ moment, in terms of the $p$-Wasserstein distance between (empirical) distributions. We compare our WK-means approach with a more traditional clustering algorithms by studying the so-called maximum mean discrepancy scores between, and within clusters. In both cases it is shown that the WK-means algorithm vastly outperforms all considered competitor approaches. We demonstrate the performance of all approaches both in a controlled environment on synthetic data, and on real data.
• Abstract（参考訳）: 異なる市場体制を迅速かつ自動で検出する問題は、金融数学者や実践家にとっても大きな関心事である。 本稿では,金融時系列を適切な時間セグメント(市場状況)にクラスタ化するための教師なし学習アルゴリズムについて概説する。 上記の特殊な事例として,市場体制を分類するプロセスを自動化する頑健なアルゴリズムを開発する。 本手法は,実際のデータセットを用いた実験結果から,基礎となる時系列のモデル化仮定に依存しないという意味では堅牢である。 この方法 -- Wasserstein $k$-means algorithm と呼ばれる -- は、(経験的)分布の間の$p$-Wasserstein距離という観点で、有限の$p^\text{th}$ moment を持つ確率測度空間上の問題の1つをフレーム化する。 WK-meansアプローチと従来型のクラスタリングアルゴリズムを比較して,クラスタ内およびクラスタ内における,いわゆる最大平均差スコアについて検討する。 どちらの場合も、WK-meansアルゴリズムは競合するアプローチよりも優れていることが示されている。 本研究では, 合成データと実データの両方において, 制御環境における全手法の性能を示す。

関連論文リスト

• Geometric Median (GM) Matching for Robust Data Pruning [29.458270105150564]
  データプルーニングは、大規模なデータハングリーモデルのトレーニングに伴う膨大な計算コストを軽減するために不可欠である。 本研究では,部分集合の平均値が(潜在的に)ノイズデータセットの中央値に近似するように,$k$-subsetを求めるGeometric ($gm$) Matchingを提案する。 一般的なディープラーニングベンチマークによる実験によると、$gm$ Matchingは、従来よりも一貫してパフォーマンスが向上している。
  論文  参考訳（メタデータ） (2024-06-25T00:02:01Z)
• Automated regime detection in multidimensional time series data using sliced Wasserstein k-means clustering [0.0]
  本稿では,時系列データに適用したWasserstein k-meansクラスタリングアルゴリズムの挙動について検討する。 我々は,多次元ワッサースタイン距離をスライスしたワッサーシュタイン距離として近似することにより,この手法を多次元時系列データに拡張する。 実数次元金融時系列において, sWk-means法は, 異なる市場状況を特定するのに有効であることを示す。
  論文  参考訳（メタデータ） (2023-10-02T15:37:56Z)
• Differentially-Private Hierarchical Clustering with Provable Approximation Guarantees [79.59010418610625]
  階層クラスタリングのための微分プライベート近似アルゴリズムについて検討する。 例えば、$epsilon$-DPアルゴリズムは入力データセットに対して$O(|V|2/epsilon)$-additiveエラーを示さなければならない。 本稿では,ブロックを正確に復元する1+o(1)$近似アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-01-31T19:14:30Z)
• Scalable Differentially Private Clustering via Hierarchically Separated Trees [82.69664595378869]
  我々は,最大$O(d3/2log n)cdot OPT + O(k d2 log2 n / epsilon2)$,$epsilon$はプライバシ保証であることを示す。 最悪の場合の保証は、最先端のプライベートクラスタリング手法よりも悪いが、提案するアルゴリズムは実用的である。
  論文  参考訳（メタデータ） (2022-06-17T09:24:41Z)
• Finite-Time Analysis of Fully Decentralized Single-Timescale Actor-Critic [4.94128206910124]
  本稿では,アクタ,批評家,グローバル報酬推定器を交互に更新する,完全に分散化されたアクタ・クリティカル(AC)アルゴリズムを提案する。 このアルゴリズムは,Markovian サンプリングにおいて $tildemathcalO(epsilon-2)$ のサンプル複雑性を持つことを示す。 また、我々のアルゴリズムのローカルアクションプライバシ保護バージョンとその分析も提供する。
  論文  参考訳（メタデータ） (2022-06-12T13:14:14Z)
• Optimal Clustering with Bandit Feedback [57.672609011609886]
  本稿では,バンディットフィードバックを用いたオンラインクラスタリングの問題点について考察する。 これは、NPハード重み付きクラスタリング問題をサブルーチンとして解決する必要性を回避するための、シーケンシャルなテストのための新しい停止規則を含む。 合成および実世界のデータセットの広範なシミュレーションを通して、BOCの性能は下界と一致し、非適応的ベースラインアルゴリズムよりも大幅に優れることを示す。
  論文  参考訳（メタデータ） (2022-02-09T06:05:05Z)
• Machine Learning for Online Algorithm Selection under Censored Feedback [71.6879432974126]
  オンラインアルゴリズム選択(OAS)では、アルゴリズム問題クラスのインスタンスがエージェントに次々に提示され、エージェントは、固定された候補アルゴリズムセットから、おそらく最高のアルゴリズムを迅速に選択する必要がある。 SAT(Satisfiability)のような決定問題に対して、品質は一般的にアルゴリズムのランタイムを指す。 本研究では,OASのマルチアームバンディットアルゴリズムを再検討し,この問題に対処する能力について議論する。 ランタイム指向の損失に適応し、時間的地平線に依存しない空間的・時間的複雑さを維持しながら、部分的に検閲されたデータを可能にする。
  論文  参考訳（メタデータ） (2021-09-13T18:10:52Z)
• Fuzzy Clustering with Similarity Queries [56.96625809888241]
  ファジィ(fuzzy, soft objective)は、よく知られた$k$-means問題の一般化である。 クエリを少なくすることで、問題の解決が容易になる。
  論文  参考訳（メタデータ） (2021-06-04T02:32:26Z)
• Coded Stochastic ADMM for Decentralized Consensus Optimization with Edge Computing [113.52575069030192]
  セキュリティ要件の高いアプリケーションを含むビッグデータは、モバイルデバイスやドローン、車両など、複数の異種デバイスに収集され、格納されることが多い。 通信コストとセキュリティ要件の制限のため、核融合センターにデータを集約するのではなく、分散的に情報を抽出することが最重要となる。 分散エッジノードを介してデータを局所的に処理するマルチエージェントシステムにおいて,モデルパラメータを学習する問題を考える。 分散学習モデルを開発するために,乗算器アルゴリズムの最小バッチ交互方向法(ADMM)のクラスについて検討した。
  論文  参考訳（メタデータ） (2020-10-02T10:41:59Z)

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。