論文の概要: ARISE: ApeRIodic SEmi-parametric Process for Efficient Markets without
Periodogram and Gaussianity Assumptions
- arxiv url: http://arxiv.org/abs/2111.06222v1
- Date: Mon, 8 Nov 2021 03:36:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-12 13:49:25.601649
- Title: ARISE: ApeRIodic SEmi-parametric Process for Efficient Markets without
Periodogram and Gaussianity Assumptions
- Title（参考訳）: ARISE: 周期図とガウス性推定のない効率的な市場のためのアペリオディックなセミパラメトリックプロセス
- Authors: Shao-Qun Zhang, Zhi-Hua Zhou
- Abstract要約: 我々は、効率的な市場を調査するためのApeRI-miodic(ARISE)プロセスを提案する。
ARISEプロセスは、いくつかの既知のプロセスの無限サムとして定式化され、周期スペクトル推定を用いる。
実際に,実世界の市場の効率性を明らかにするために,ARISE関数を適用した。
- 参考スコア（独自算出の注目度）: 91.3755431537592
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mimicking and learning the long-term memory of efficient markets is a
fundamental problem in the interaction between machine learning and financial
economics to sequential data. Despite the prominence of this issue, current
treatments either remain largely limited to heuristic techniques or rely
significantly on periodogram or Gaussianty assumptions. In this paper, we
present the ApeRIodic SEmi-parametric (ARISE) process for investigating
efficient markets. The ARISE process is formulated as an infinite-sum function
of some known processes and employs the aperiodic spectrum estimation to
determine the key hyper-parameters, thus possessing the power and potential of
modeling the price data with long-term memory, non-stationarity, and aperiodic
spectrum. We further theoretically show that the ARISE process has the
mean-square convergence, consistency, and asymptotic normality without
periodogram and Gaussianity assumptions. In practice, we apply the ARISE
process to identify the efficiency of real-world markets. Besides, we also
provide two alternative ARISE applications: studying the long-term memorability
of various machine-learning models and developing a latent state-space model
for inference and forecasting of time series. The numerical experiments confirm
the superiority of our proposed approaches.
- Abstract（参考訳）: 効率的な市場の長期記憶の緩和と学習は、機械学習と金融経済学とシーケンシャルデータとの相互作用における根本的な問題である。
この問題が顕在化しているにもかかわらず、現在の治療はヒューリスティックな技術にほとんど制限されるか、周期図やガウス性仮説に大きく依存している。
本稿では,ARISE(Aperiodic Semi-parametric)プロセスを用いて,効率的な市場調査を行う。
ARISEプロセスは、いくつかの既知のプロセスの無限サム関数として定式化され、周期スペクトル推定を用いて鍵ハイパーパラメータを決定することにより、長期記憶、非定常、非周期スペクトルで価格データをモデル化するパワーとポテンシャルを有する。
さらに、ARISEプロセスは、周期図やガウス性仮定なしで平均二乗収束、一貫性、漸近正規性を持つことを示す。
実際に、ARISEプロセスを適用し、実世界の市場の効率性を特定する。
さらに、様々な機械学習モデルの長期記憶可能性の研究と、時系列の推測と予測のための潜在状態空間モデルの開発という2つの代替ARISEアプリケーションも提供する。
数値実験により提案手法の優位性が確認された。
関連論文リスト
- Causal Contrastive Learning for Counterfactual Regression Over Time [3.3523758554338734]
本稿では, 長期予測を重視した, 反実的回帰に対するユニークなアプローチを提案する。
Causal Transformerのような既存のモデルから切り離し、我々のアプローチは長期的な予測にRNNを使うことの有効性を強調します。
提案手法は, 合成データと実世界のデータの両方を用いて, 最先端の対物推定結果を実現する。
論文 参考訳（メタデータ） (2024-06-01T19:07:25Z) - High Rank Path Development: an approach of learning the filtration of stochastic processes [6.245824251614165]
そこで我々は,HRPCFD(High Rank PCF Distance)と呼ばれる新しい尺度を導入する。
そして、そのようなHRPCFDは、データからHRPCFDを訓練し、HRPCF-GANを構築するための効率的なアルゴリズムを設計できるように、多くの好意的な解析特性を許容していることを示す。
仮説テストと生成モデルの両方に関する数値実験は、いくつかの最先端手法と比較して、我々のアプローチのアウトパフォーマンスを検証している。
論文 参考訳（メタデータ） (2024-05-23T13:20:47Z) - Graph Spatiotemporal Process for Multivariate Time Series Anomaly
Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。
実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文 参考訳（メタデータ） (2024-01-11T10:10:16Z) - State Sequences Prediction via Fourier Transform for Representation
Learning [111.82376793413746]
本研究では,表現表現を効率よく学習する新しい方法である,フーリエ変換(SPF)による状態列予測を提案する。
本研究では,状態系列における構造情報の存在を理論的に解析する。
実験により,提案手法はサンプル効率と性能の両面で,最先端のアルゴリズムよりも優れていることが示された。
論文 参考訳（メタデータ） (2023-10-24T14:47:02Z) - Kernel-based Joint Independence Tests for Multivariate Stationary and
Non-stationary Time Series [0.6749750044497732]
多変量時系列における共同独立のカーネルベース統計テストを導入する。
提案手法は, 合成例において, 高次依存関係を頑健に発見する方法を示す。
我々の手法はデータの高次相互作用を明らかにするのに役立つ。
論文 参考訳（メタデータ） (2023-05-15T10:38:24Z) - FaDIn: Fast Discretized Inference for Hawkes Processes with General
Parametric Kernels [82.53569355337586]
この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。
脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。
その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
論文 参考訳（メタデータ） (2022-10-10T12:35:02Z) - Quantum Encoding and Analysis on Continuous Time Stochastic Process with
Financial Applications [3.400945485383699]
量子コンピュータにおける連続時間プロセスの経路を効率的に作成するための一般的な枠組みが確立される。
記憶と資源は、キュービット数と回路深さの両方を最適化するため、保持時間のキーパラメータで指数関数的に減少する。
メルトンジャンプ拡散モデルにおけるオプション価格の2つの応用と集団リスクモデルにおける破壊確率計算について述べる。
論文 参考訳（メタデータ） (2022-08-03T22:11:53Z) - 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) - Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。
THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。
本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文 参考訳（メタデータ） (2020-02-21T13:48:13Z)
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。