論文の概要: Neural Generalised AutoRegressive Conditional Heteroskedasticity
- arxiv url: http://arxiv.org/abs/2202.11285v1
- Date: Wed, 23 Feb 2022 03:23:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-24 15:02:23.777841
- Title: Neural Generalised AutoRegressive Conditional Heteroskedasticity
- Title（参考訳）: 神経一般化自己回帰条件ヘテロスケサシティ
- Authors: Zexuan Yin and Paolo Barucca
- Abstract要約: 本稿では,金融時系列における条件付きヘテロスケダスティック性のモデル化手法であるNeural GARCHを提案する。
我々は、金融市場の常に変化するダイナミクスを反映するため、GARCHモデルの係数を時間的に変化させることを許す。
モデルの2つのバリエーションを提案する。1つは通常のイノベーションであり、もう1つは学生のtイノベーションである。
ニューラル・スチューデント t モデルが他のモデルより一貫して優れていることが分かりました。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We propose Neural GARCH, a class of methods to model conditional
heteroskedasticity in financial time series. Neural GARCH is a neural network
adaptation of the GARCH 1,1 model in the univariate case, and the diagonal BEKK
1,1 model in the multivariate case. We allow the coefficients of a GARCH model
to be time varying in order to reflect the constantly changing dynamics of
financial markets. The time varying coefficients are parameterised by a
recurrent neural network that is trained with stochastic gradient variational
Bayes. We propose two variants of our model, one with normal innovations and
the other with Students t innovations. We test our models on a wide range of
univariate and multivariate financial time series, and we find that the Neural
Students t model consistently outperforms the others.
- Abstract（参考訳）: 金融時系列における条件付きヘテロケシュティリティをモデル化する手法のクラスであるneural garchを提案する。
ニューラル GARCH は単変量体における GARCH 1,1 モデルと多変量体における対角 BEKK 1,1 モデルのニューラルネットワーク適応である。
我々は、金融市場の常に変化するダイナミクスを反映するため、GARCHモデルの係数を時間的に変化させることを許す。
時間変化係数は確率勾配変動ベイズで訓練された繰り返しニューラルネットワークによってパラメータ化される。
我々は,本モデルの2つの変種を提案する。1つは通常のイノベーション,もう1つは学生tイノベーションである。
我々は、幅広い一変量および多変量財務時系列でモデルをテストし、ニューラル・スチューデントtモデルが他のモデルより一貫して優れていることを見出した。
関連論文リスト
- GARCH-Informed Neural Networks for Volatility Prediction in Financial Markets [0.0]
マーケットのボラティリティを計測し、予測する新しいハイブリッドなDeep Learningモデルを提案する。
他の時系列モデルと比較すると、GINNは決定係数(R2$)、平均正方形誤差(MSE)、平均絶対誤差(MAE)の点で優れたサンプル外予測性能を示した。
論文 参考訳（メタデータ） (2024-09-30T23:53:54Z) - Copula Variational LSTM for High-dimensional Cross-market Multivariate
Dependence Modeling [46.75628526959982]
我々は、変分連続ニューラルネットワークとコプラに基づく依存モデルを統合するための最初の試みを行う。
我々の変分ニューラルネットワークWPVC-VLSTMは時系列の連続的依存度と構造をモデル化する。
これは、線形モデル、ボラティリティモデル、ディープニューラルネットワーク、市場横断ポートフォリオ予測における変動リカレントネットワークなど、ベンチマークを上回っている。
論文 参考訳（メタデータ） (2023-05-09T08:19:08Z) - On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。
このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。
我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
論文 参考訳（メタデータ） (2022-06-09T17:12:32Z) - Variational Heteroscedastic Volatility Model [0.0]
ファイナンシャル時系列における異所性行動のモデル化が可能なエンドツーエンドニューラルネットワークアーキテクチャを提案する。
VHVMは、資産間の関係をキャプチャする変分オートエンコーダと、依存関係の時間進化をモデル化するリカレントニューラルネットワークで構成される。
論文 参考訳（メタデータ） (2022-04-11T15:29:46Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳（メタデータ） (2022-02-21T18:59:03Z) - Characterizing and overcoming the greedy nature of learning in
multi-modal deep neural networks [62.48782506095565]
深層ニューラルネットワークにおける学習の欲張った性質から、モデルは一つのモダリティにのみ依存する傾向にあり、他のモダリティには不適合であることを示す。
本稿では,学習中のモーダル間の条件付き学習速度のバランスをとるアルゴリズムを提案し,グリージー学習の問題に対処できることを実証する。
論文 参考訳（メタデータ） (2022-02-10T20:11:21Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳（メタデータ） (2021-02-02T06:15:15Z) - Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。
トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
論文 参考訳（メタデータ） (2020-10-27T17:54:12Z) - 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)
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。