論文の概要: Cluster-based Regression using Variational Inference and Applications in
Financial Forecasting
- arxiv url: http://arxiv.org/abs/2205.00605v3
- Date: Sun, 31 Dec 2023 04:40:46 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-03 03:17:58.290942
- Title: Cluster-based Regression using Variational Inference and Applications in
Financial Forecasting
- Title（参考訳）: 変動推論を用いたクラスタ型回帰と金融予測への応用
- Authors: Udai Nagpal, Krishan Nagpal
- Abstract要約: 本稿では,クラスタを同時に同定し,クラスタ固有の回帰パラメータを与えられたデータから推定する手法について述べる。
提案手法は、市場が異なる体制(またはクラスタ)を持ち、それぞれの体制における異なるパターンと市場変化の相関関係を持つ金融予測に適している。
問題の広範な適用性、エレガントな理論的解法、提案アルゴリズムの計算効率のため、この手法は金融領域を超えて広がる多くの領域で有用である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This paper describes an approach to simultaneously identify clusters and
estimate cluster-specific regression parameters from the given data. Such an
approach can be useful in learning the relationship between input and output
when the regression parameters for estimating output are different in different
regions of the input space. Variational Inference (VI), a machine learning
approach to obtain posterior probability densities using optimization
techniques, is used to identify clusters of explanatory variables and
regression parameters for each cluster. From these results, one can obtain both
the expected value and the full distribution of predicted output. Other
advantages of the proposed approach include the elegant theoretical solution
and clear interpretability of results. The proposed approach is well-suited for
financial forecasting where markets have different regimes (or clusters) with
different patterns and correlations of market changes in each regime. In
financial applications, knowledge about such clusters can provide useful
insights about portfolio performance and identify the relative importance of
variables in different market regimes. An illustrative example of predicting
one-day S&P change is considered to illustrate the approach and compare the
performance of the proposed approach with standard regression without clusters.
Due to the broad applicability of the problem, its elegant theoretical
solution, and the computational efficiency of the proposed algorithm, the
approach may be useful in a number of areas extending beyond the financial
domain.
- Abstract（参考訳）: 本稿では,クラスタを同時に同定し,クラスタ固有の回帰パラメータを推定する手法について述べる。
このようなアプローチは、出力推定のための回帰パラメータが入力空間の異なる領域で異なる場合、入力と出力の関係を学ぶのに有用である。
最適化手法を用いて後続確率密度を求める機械学習手法である変分推論(VI)を用いて,各クラスタの説明変数と回帰パラメータのクラスタを同定する。
これらの結果から、予測出力の期待値と全分布の両方を得ることができる。
提案手法の他の利点は、エレガントな理論解と結果の明確な解釈性である。
提案手法は、市場が異なる体制(またはクラスタ)を持ち、それぞれの体制における異なるパターンと市場変化の相関関係を持つ金融予測に適している。
金融アプリケーションでは、そのようなクラスタに関する知識はポートフォリオのパフォーマンスに関する有用な洞察を与え、異なる市場体制における変数の相対的重要性を特定する。
1日ごとのS&P変化を予測するための図示的な例は、このアプローチを示し、提案手法の性能をクラスタなしの標準回帰と比較するものである。
問題の幅広い適用可能性、そのエレガントな理論解、提案アルゴリズムの計算効率から、このアプローチは金融領域を超えて広がる多くの領域で有用である。
関連論文リスト
- Variational Autoencoders for Efficient Simulation-Based Inference [0.3495246564946556]
本稿では、確率自由なシミュレーションに基づく推論のための変分推論フレームワークに基づく生成的モデリング手法を提案する。
我々は,これらのモデルの有効性を,フローベースアプローチに匹敵する結果が得られるように,確立されたベンチマーク問題に対して示す。
論文 参考訳（メタデータ） (2024-11-21T12:24:13Z) - Generalization Bounds of Surrogate Policies for Combinatorial Optimization Problems [61.580419063416734]
最近の構造化学習手法のストリームは、様々な最適化問題に対する技術の実践的状態を改善している。
鍵となる考え方は、インスタンスを別々に扱うのではなく、インスタンス上の統計分布を利用することだ。
本稿では,最適化を容易にし,一般化誤差を改善するポリシを摂動することでリスクを円滑にする手法について検討する。
論文 参考訳（メタデータ） (2024-07-24T12:00:30Z) - Reconciling Heterogeneous Effects in Causal Inference [44.99833362998488]
本稿では、機械学習におけるモデル乗法にReconcileアルゴリズムを適用し、因果推論における異種効果を再現する。
本研究の結果は,医療,保険,住宅などの高額な事業において,公正な成果の確保に有意な意味を持っている。
論文 参考訳（メタデータ） (2024-06-05T18:43:46Z) - Aggregation Weighting of Federated Learning via Generalization Bound
Estimation [65.8630966842025]
フェデレートラーニング(FL)は通常、サンプル比率によって決定される重み付けアプローチを使用して、クライアントモデルパラメータを集約する。
上記の重み付け法を,各局所モデルの一般化境界を考慮した新しい戦略に置き換える。
論文 参考訳（メタデータ） (2023-11-10T08:50:28Z) - Variable Clustering via Distributionally Robust Nodewise Regression [7.289979396903827]
可変クラスタリングのための多要素ブロックモデルについて検討し、ノード単位回帰の分布的ロバストなバージョンを定式化することにより、正規化サブスペースクラスタリングに接続する。
我々は凸緩和を導出し、ロバスト領域のサイズを選択するためのガイダンスを与え、そのためデータに基づいて正規化重み付けパラメータを提案し、実装のためのADMMアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-12-15T16:23:25Z) - A One-shot Framework for Distributed Clustered Learning in Heterogeneous
Environments [54.172993875654015]
異種環境における分散学習のためのコミュニケーション効率化手法のファミリーを提案する。
ユーザによるローカル計算に基づくワンショットアプローチと、サーバにおけるクラスタリングベースのアグリゲーションステップは、強力な学習保証を提供する。
厳密な凸問題に対しては,ユーザ毎のデータ点数がしきい値を超える限り,提案手法はサンプルサイズの観点から順序最適平均二乗誤差率を達成する。
論文 参考訳（メタデータ） (2022-09-22T09:04:10Z) - Recursive Monte Carlo and Variational Inference with Auxiliary Variables [64.25762042361839]
再帰的補助変数推論(RAVI)はフレキシブルな提案を利用するための新しいフレームワークである。
RAVIは、表現力のある表現力のある家族を推論するためのいくつかの既存の手法を一般化し、統一する。
RAVIの設計枠組みと定理を,SalimansらによるMarkov Chain Variational Inferenceを用いて解析し,改良することにより示す。
論文 参考訳（メタデータ） (2022-03-05T23:52:40Z) - A variational inference framework for inverse problems [0.39373541926236766]
変分ベイズ近似を用いて逆問題モデルに適合するフレームワークを提示する。
この方法論は、幅広いアプリケーションに対する統計モデル仕様への柔軟性を保証する。
バイオメディカルな問題に動機づけられた画像処理アプリケーションとシミュレーションエクササイズは、変分ベイズによって提供される計算上の利点を明らかにする。
論文 参考訳（メタデータ） (2021-03-10T07:37:20Z) - A connection between the pattern classification problem and the General
Linear Model for statistical inference [0.2320417845168326]
両方のアプローチ、すなわち。
GLM および LRM は、異なったドメイン、観察およびラベル ドメインに適用します。
より洗練された予測アルゴリズムに基づく統計的検査を導出する。
MLEベースの推論は、残留スコアを採用し、実際の(実際の)エラーのより良い推定を計算するために上界を含む。
論文 参考訳（メタデータ） (2020-12-16T12:26:26Z) - Accounting for Unobserved Confounding in Domain Generalization [107.0464488046289]
本稿では,データセットの組み合わせから頑健で一般化可能な予測モデルを学習する際の問題点について検討する。
堅牢なモデルを学ぶことの課題の一部は、保存されていない共同設立者の影響にある。
異なるモダリティの医療データに対するアプローチの実証的性能を実証する。
論文 参考訳（メタデータ） (2020-07-21T08:18:06Z) - Learning Overlapping Representations for the Estimation of
Individualized Treatment Effects [97.42686600929211]
観測データから代替案の可能性を推定することは難しい問題である。
入力のドメイン不変表現を学習するアルゴリズムは、しばしば不適切であることを示す。
我々は,様々なベンチマークデータセットの最先端性を大幅に向上させる,ディープカーネル回帰アルゴリズムと後続正規化フレームワークを開発した。
論文 参考訳（メタデータ） (2020-01-14T12:56:29Z)
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。