論文の概要: On the universality of the volatility formation process: when machine
learning and rough volatility agree
- arxiv url: http://arxiv.org/abs/2206.14114v1
- Date: Tue, 28 Jun 2022 16:20:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-29 13:01:47.466828
- Title: On the universality of the volatility formation process: when machine
learning and rough volatility agree
- Title(参考訳): ボラティリティ形成過程の普遍性について--機械学習と大まかなボラティリティが一致する場合-
- Authors: Mathieu Rosenbaum and Jianfei Zhang
- Abstract要約: 過去の市場実現に関連する資産間での普遍的ボラティリティ形成機構の非パラメトリックな証拠を見いだす。
粗分数ボラティリティと2次粗度ヘストンモデルを固定パラメータと組み合わせた擬似パラメトリック予測装置は、普遍LSTMと同等の性能を示す。
- 参考スコア(独自算出の注目度): 1.688090639493357
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We train an LSTM network based on a pooled dataset made of hundreds of liquid
stocks aiming to forecast the next daily realized volatility for all stocks.
Showing the consistent outperformance of this universal LSTM relative to other
asset-specific parametric models, we uncover nonparametric evidences of a
universal volatility formation mechanism across assets relating past market
realizations, including daily returns and volatilities, to current
volatilities. A parsimonious parametric forecasting device combining the rough
fractional stochastic volatility and quadratic rough Heston models with fixed
parameters results in the same level of performance as the universal LSTM,
which confirms the universality of the volatility formation process from a
parametric perspective.
- Abstract(参考訳): 我々は,全株式の次の日平均変動を予測することを目的とした,数百の液体ストックからなるプールデータセットに基づくLSTMネットワークをトレーニングする。
他の資産特化パラメトリックモデルと比較して、この普遍LSTMの一貫したアウトパフォーマンスを示すことから、過去の市場実現に関する資産、例えば日々のリターンやボラティリティに関する普遍的ボラティリティ形成機構の非パラメトリックな証拠を現在のボラティリティに明らかにした。
粗分数確率的ボラティリティと2次粗度ヘストンモデルとを固定パラメータと組み合わせた擬似パラメトリック予測装置は,パラメータからボラティリティ生成過程の普遍性を確認する普遍LSTMと同程度の性能を示す。
関連論文リスト
- Online Variational Sequential Monte Carlo [56.16884466478886]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳(メタデータ) (2023-12-19T21:45:38Z) - 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) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated
Causal Convolutions [78.6363825307044]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
拡張畳み込みフィルタは日内財務データから関連情報を抽出するのに最適であることを示す。
論文 参考訳(メタデータ) (2022-09-23T16:13:47Z) - Regime-based Implied Stochastic Volatility Model for Crypto Option
Pricing [0.0]
既存の手法は、新興デジタルアセット(DA)の揮発性の性質に対処できない
インプリッドボラティリティモデル(ISVM)による市場システム(MR)クラスタリングの最近の進歩を活用する。
ISVMは、インプリートボラティリティ(IV)データを使用することで、各感情駆動期間に投資家の期待を組み込むことができる。
MR-ISVMは,オプション価格モデルの高次特性におけるジャンプへの複雑な適応の負担を克服するために有効であることを示す。
論文 参考訳(メタデータ) (2022-08-15T15:31:42Z) - Interpolation of Missing Swaption Volatility Data using Gibbs Sampling
on Variational Autoencoders [0.0]
ヨーロッパのスワップ取引の市場主導のボラティリティデータは、様々な基盤となるスワップ取引の不正性のために、しばしば欠落した引用のかなりの部分を示す。
一般的なSABRモデルのような標準的なツールは、しばしば暗黙のボラティリティの笑顔を観察するには校正できない。
本研究では,SABR のボラティリティー立方体に対する校正値が,完全立方体に適合するのに対して,SABR のボラティリティー立方体は2点以上異なることを示す。
論文 参考訳(メタデータ) (2022-04-21T20:37:44Z) - Efficient Model-based Multi-agent Reinforcement Learning via Optimistic
Equilibrium Computation [93.52573037053449]
H-MARL (Hallucinated Multi-Agent Reinforcement Learning) は,環境と数回交流した後の平衡政策を学習する。
自律運転シミュレーションベンチマークにおいて,本手法を実験的に実証した。
論文 参考訳(メタデータ) (2022-03-14T17:24:03Z) - Multi-Asset Spot and Option Market Simulation [52.77024349608834]
正規化フローに基づく1つの基盤となる1つのマーケットシミュレータを現実的に構築する。
本研究では, 正規化流れの条件付き可逆性を活用し, 独立シミュレータの連立分布をキャリブレーションするスケーラブルな手法を提案する。
論文 参考訳(メタデータ) (2021-12-13T17:34:28Z) - 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) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳(メタデータ) (2020-10-08T20:25:52Z) - A generative adversarial network approach to calibration of local
stochastic volatility models [2.1485350418225244]
局所ボラティリティ(LSV)モデルのキャリブレーションのための完全データ駆動手法を提案する。
我々は、フィードフォワードニューラルネットワークのファミリーによってレバレッジ関数をパラメータ化し、利用可能な市場オプション価格から直接パラメータを学習する。
これは、ニューラルSDEと(因果)生成的敵ネットワークの文脈で見る必要がある。
論文 参考訳(メタデータ) (2020-05-05T21:26:20Z)
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。
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。