論文の概要: Variational Heteroscedastic Volatility Model

• arxiv url: http://arxiv.org/abs/2204.05806v1
• Date: Mon, 11 Apr 2022 15:29:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-14 07:35:48.145517
• Title: Variational Heteroscedastic Volatility Model
• Title（参考訳）: 変分ヘテロセダスティック変動性モデル
• Authors: Zexuan Yin, Paolo Barucca
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose Variational Heteroscedastic Volatility Model (VHVM) -- an end-to-end neural network architecture capable of modelling heteroscedastic behaviour in multivariate financial time series. VHVM leverages recent advances in several areas of deep learning, namely sequential modelling and representation learning, to model complex temporal dynamics between different asset returns. At its core, VHVM consists of a variational autoencoder to capture relationships between assets, and a recurrent neural network to model the time-evolution of these dependencies. The outputs of VHVM are time-varying conditional volatilities in the form of covariance matrices. We demonstrate the effectiveness of VHVM against existing methods such as Generalised AutoRegressive Conditional Heteroscedasticity (GARCH) and Stochastic Volatility (SV) models on a wide range of multivariate foreign currency (FX) datasets.
• Abstract（参考訳）: 本稿では,多変量金融時系列のヘテロシドスティック動作をモデル化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である変分的ヘテロシドスティックボラティリティモデル(vhvm)を提案する。 VHVMは、シーケンシャルモデリングと表現学習という、ディープラーニングのいくつかの分野における最近の進歩を活用して、異なるアセットリターン間の複雑な時間ダイナミクスをモデル化している。 コアとなるVHVMは、アセット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ている。 VHVMの出力は、共分散行列の形での時間変化条件の揮発性である。 本稿では,多変量外貨(FX)データセットを用いた一般化自己回帰条件整合性(GARCH)や確率ボラティリティ(SV)モデルなどの既存手法に対するVHVMの有効性を示す。

関連論文リスト

• PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from the perspective of partial differential equations [49.80959046861793]
  本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。 7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
  論文  参考訳（メタデータ） (2024-02-25T17:39:44Z)
• 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)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• Neural Generalised AutoRegressive Conditional Heteroskedasticity [0.0]
  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。
  論文  参考訳（メタデータ） (2022-02-23T03:23:02Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• 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)
• Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
  現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。 本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。 次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
  論文  参考訳（メタデータ） (2020-10-25T18:51:15Z)
• Variational Dynamic Mixtures [18.730501689781214]
  逐次潜伏変数を推定するための変分動的混合(VDM)を開発した。 実証実験により、VDMは、高マルチモーダルデータセットにおける競合するアプローチよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-20T16:10:07Z)
• Parsimonious Quantile Regression of Financial Asset Tail Dynamics via Sequential Learning [35.34574502348672]
  本稿では、金融資産返却の動的テール挙動を学習するための擬似量子回帰フレームワークを提案する。 本モデルは,財務時系列の時間変化特性と非対称ヘビーテール特性の両方をよく捉えている。
  論文  参考訳（メタデータ） (2020-10-16T09:35:52Z)

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。