Fugu-MT 論文翻訳(概要): Reducing overestimating and underestimating volatility via the augmented blending-ARCH model

論文の概要: Reducing overestimating and underestimating volatility via the augmented blending-ARCH model

arxiv url: http://arxiv.org/abs/2203.12456v1
Date: Tue, 15 Mar 2022 08:52:01 GMT
ステータス: 処理完了
システム内更新日: 2022-03-27 10:18:12.444463
Title: Reducing overestimating and underestimating volatility via the augmented blending-ARCH model
Title（参考訳）: 混合ARCHモデルによる過大評価と過小評価の低減
Authors: Jun Lu, Shao Yi
Abstract要約: SVR-GARCHモデルは、金融時系列のボラティリティを予測する際に「後ろ向きの盗聴」をする傾向がある。この種の問題を解決するために,ARCH(BARCH)とBARCH(aBARCH)の混合モデルを提案する。
参考スコア（独自算出の注目度）: 4.913248451323163
License: http://creativecommons.org/licenses/by/4.0/
Abstract: SVR-GARCH model tends to "backward eavesdrop" when forecasting the financial time series volatility in which case it tends to simply produce the prediction by deviating the previous volatility. Though the SVR-GARCH model has achieved good performance in terms of various performance measurements, trading opportunities, peak or trough behaviors in the time series are all hampered by underestimating or overestimating the volatility. We propose a blending ARCH (BARCH) and an augmented BARCH (aBARCH) model to overcome this kind of problem and make the prediction towards better peak or trough behaviors. The method is illustrated using real data sets including SH300 and S&P500. The empirical results obtained suggest that the augmented and blending models improve the volatility forecasting ability.
Abstract（参考訳）: svr-garchモデルは、金融時系列のボラティリティを予測する際には、従来のボラティリティを逸脱して単に予測を生成する傾向があります。 SVR-GARCHモデルは様々な性能測定において優れた性能を保っているが、時系列におけるトレーディング機会、ピークまたはトラフの挙動はすべて、ボラティリティの過小評価や過大評価によって妨げられている。本稿では,このような問題を克服し,より優れたピークやトラフ動作を予測するためのARCH(BARCH)とBARCH(aBARCH)モデルを提案する。この方法はSH300やS&P500といった実際のデータセットを用いて説明される。その結果, 拡張およびブレンディングモデルにより, ボラティリティ予測能力が向上することが示唆された。

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)
COMEX Copper Futures Volatility Forecasting: Econometric Models and Deep Learning [5.459325230078567]
本稿では, COMEX銅先物におけるボラティリティの予測性能について, エコノメトリのボラティリティモデルとディープラーニングのリカレントニューラルネットワークモデルの両方を用いて検討する。 COMEX銅先物の毎日のボラティリティをローリングウインドウアプローチで予測する際、計量モデル、特にHARは、全体のリカレントニューラルネットワークを上回った。機械学習モデルのブラックボックスの性質にもかかわらず、ディープラーニングモデルはより優れた予測性能を示し、実験においてHARの固定QLIKE値を上回っている。
論文参考訳（メタデータ） (2024-09-12T18:44:31Z)
Predictive Churn with the Set of Good Models [64.05949860750235]
近似機械学習モデルの集合に対する競合予測の効果について検討する。ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
論文参考訳（メタデータ） (2024-02-12T16:15:25Z)
ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文参考訳（メタデータ） (2024-02-02T10:34:13Z)
Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
論文参考訳（メタデータ） (2023-08-18T16:21:15Z)
Deep Learning Enhanced Realized GARCH [6.211385208178938]
本稿では,深層学習(LSTM)とボラティリティ対策の併用によるボラティリティモデリングの新しい手法を提案する。このLSTMで強化されたGARCHフレームワークは、金融経済学、高周波取引データ、ディープラーニングによるモデリングの進歩を取り入れ、蒸留する。
論文参考訳（メタデータ） (2023-02-16T00:20:43Z)
Volatility forecasting using Deep Learning and sentiment analysis [0.0]
本稿では、市場ボラティリティを予測するための感情分析と深層学習を融合した複合モデルを提案する。次に、過去の感情と前日の変動を利用して予測を行う合成予測モデル、Long-Short-Term-Memory Neural Network法について述べる。
論文参考訳（メタデータ） (2022-10-22T14:54:33Z)
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)
Low-Rank Temporal Attention-Augmented Bilinear Network for financial time-series forecasting [93.73198973454944]
ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
論文参考訳（メタデータ） (2021-07-05T10:15:23Z)
Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文参考訳（メタデータ） (2021-06-08T14:48:20Z)
Ensemble Forecasting for Intraday Electricity Prices: Simulating Trajectories [0.0]
近年の研究では、時間単位のドイツの日内連続市場は弱い状態にあることが示されている。時間内電力価格の確率予測は、トレーディングウィンドウ毎に軌跡をシミュレートして行う。この調査は、過去3時間でドイツの日内連続市場における価格分布を予測することを目的としているが、このアプローチは、特にヨーロッパでは、他の連続市場への適用を可能にする。
論文参考訳（メタデータ） (2020-05-04T10:21:20Z)

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。