論文の概要: Estimating the Value-at-Risk by Temporal VAE

• arxiv url: http://arxiv.org/abs/2112.01896v1
• Date: Fri, 3 Dec 2021 13:20:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-06 20:04:25.531000
• Title: Estimating the Value-at-Risk by Temporal VAE
• Title（参考訳）: テンポラルVAEによるRiskの値推定
• Authors: Robert Sicks, Stefanie Grimm, Ralf Korn, Ivo Richert
• Abstract要約: 大規模な資産ポートフォリオのバリュー・アット・リスク(VaR)の推定は、金融機関にとって重要な課題である。 我々は、観測変数の自己回帰構造を避けるための時間的VAE(TempVAE)を用いる。 その結果、TempVAEのオートプルーニングが適切に機能し、古典的なGARCH型や歴史的なシミュレーション手法に勝るVaRの優れた推定結果が得られる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimation of the value-at-risk (VaR) of a large portfolio of assets is an important task for financial institutions. As the joint log-returns of asset prices can often be projected to a latent space of a much smaller dimension, the use of a variational autoencoder (VAE) for estimating the VaR is a natural suggestion. To ensure the bottleneck structure of autoencoders when learning sequential data, we use a temporal VAE (TempVAE) that avoids an auto-regressive structure for the observation variables. However, the low signal- to-noise ratio of financial data in combination with the auto-pruning property of a VAE typically makes the use of a VAE prone to posterior collapse. Therefore, we propose to use annealing of the regularization to mitigate this effect. As a result, the auto-pruning of the TempVAE works properly which also results in excellent estimation results for the VaR that beats classical GARCH-type and historical simulation approaches when applied to real data.
• Abstract（参考訳）: 大規模な資産ポートフォリオの価値・アット・リスク(var)の推定は金融機関にとって重要な課題である。 資産価格の合同対価は、非常に小さな次元の潜在空間にしばしば投影されるため、VaRを推定するための変分オートエンコーダ(VAE)の使用は自然な提案である。 逐次データ学習時のオートエンコーダのボトルネック構造を確保するために,観測変数の自己回帰構造を回避する時間的vae(tempvae)を用いる。 しかし、VAEのオートプルーニング特性と組み合わさった低信号対雑音比は、一般的にVAEを後部崩壊に用いやすい。 そこで本研究では,この効果を緩和するために正規化をアニーリングすることを提案する。 その結果、TempVAEのオートプルーニングは、従来のGARCH型や実データに適用した場合の履歴シミュレーション手法に勝るVaRの優れた推定結果をもたらす。

関連論文リスト

• Time-Series Foundation Model for Value-at-Risk [9.090616417812306]
  広範囲で多様なデータセットで事前トレーニングされたファンデーションモデルは、比較的最小限のデータを持つゼロショット設定で使用できる。 TimesFMと呼ばれるGoogleのモデルの性能を従来のパラメトリックモデルと非パラメトリックモデルと比較する。
  論文  参考訳（メタデータ） (2024-10-15T16:53:44Z)
• Stock Volume Forecasting with Advanced Information by Conditional Variational Auto-Encoder [49.97673761305336]
  本研究では,短時間・長期の予測作業において,日当たりのストックボリューム時系列の予測を改善するために,条件変動(CVAE)を用いることを実証する。 CVAEは非線形時系列をサンプル外予測として生成し、精度が向上し、実際のデータとの相関関係がより緊密になる。
  論文  参考訳（メタデータ） (2024-06-19T13:13:06Z)
• 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)
• Matching aggregate posteriors in the variational autoencoder [0.5759862457142761]
  変分オートエンコーダ(VAE)は、よく研究され、深い、潜伏変数モデル(DLVM)である。 本稿では,VAE に付随する目的関数を改良することにより,VAE の欠点を克服する。 提案手法はEmphaggregate variational autoencoder (AVAE) と命名され,VAEの理論的枠組みに基づいて構築されている。
  論文  参考訳（メタデータ） (2023-11-13T19:22:37Z)
• 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)
• Value function estimation using conditional diffusion models for control [62.27184818047923]
  拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。 拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。 本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
  論文  参考訳（メタデータ） (2023-06-09T18:40:55Z)
• DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
  本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。 実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
  論文  参考訳（メタデータ） (2022-09-23T16:13:47Z)
• Learning Conditional Variational Autoencoders with Missing Covariates [0.8563354084119061]
  条件変分オートエンコーダ(CVAE)は、多種多様な深部生成モデルである。 CVAE および GP 以前のVAE を学習するための計算効率のよい手法を開発した。 本研究は,本手法が従来の手法よりも優れていることを示すとともに,シミュレーションデータセットに関する実験である。
  論文  参考訳（メタデータ） (2022-03-02T16:22:09Z)
• Provably Efficient Causal Reinforcement Learning with Confounded Observational Data [135.64775986546505]
  オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。 提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-22T14:49:33Z)
• Momentum Improves Normalized SGD [51.27183254738711]
  モーメントを追加することで、目的に対する大きなバッチサイズの必要性を確実に排除できることを示す。 本稿では,ResNet-50 や BERT といった大規模タスクの事前学習において,提案手法が有効であることを示す。
  論文  参考訳（メタデータ） (2020-02-09T07:00:54Z)
• Detecting Changes in Asset Co-Movement Using the Autoencoder Reconstruction Ratio [5.5616364225463055]
  資産共同移動の一時的な増加を検出するリアルタイム指標を提案する。 オートエンコーダ再構成比(Autoencoder Reconstruction Ratio)は、資産のバスケットが低次元の潜伏変数の集合を使ってどれだけうまくモデル化できるかを測定する。
  論文  参考訳（メタデータ） (2020-01-23T22:33:54Z)

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。