論文の概要: Volatility Based Kernels and Moving Average Means for Accurate
Forecasting with Gaussian Processes
- arxiv url: http://arxiv.org/abs/2207.06544v1
- Date: Wed, 13 Jul 2022 23:02:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-15 13:02:09.098311
- Title: Volatility Based Kernels and Moving Average Means for Accurate
Forecasting with Gaussian Processes
- Title(参考訳): ガウス過程による正確な予測のためのボラティリティに基づくカーネルと移動平均値
- Authors: Gregory Benton, Wesley J. Maddox, Andrew Gordon Wilson
- Abstract要約: 本稿では, ボラティリティモデルのクラスを, 特殊共分散関数を持つ階層型ガウス過程(GP)モデルとして再キャストする方法を示す。
このフレームワーク内では、よく研究されたドメインからインスピレーションを得て、ストックおよび風速予測においてベースラインを著しく上回る新しいモデルのVoltとMagpieを導入する。
- 参考スコア(独自算出の注目度): 36.712632126776285
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A broad class of stochastic volatility models are defined by systems of
stochastic differential equations. While these models have seen widespread
success in domains such as finance and statistical climatology, they typically
lack an ability to condition on historical data to produce a true posterior
distribution. To address this fundamental limitation, we show how to re-cast a
class of stochastic volatility models as a hierarchical Gaussian process (GP)
model with specialized covariance functions. This GP model retains the
inductive biases of the stochastic volatility model while providing the
posterior predictive distribution given by GP inference. Within this framework,
we take inspiration from well studied domains to introduce a new class of
models, Volt and Magpie, that significantly outperform baselines in stock and
wind speed forecasting, and naturally extend to the multitask setting.
- Abstract(参考訳): 確率的ボラティリティモデルの幅広いクラスは確率微分方程式の系によって定義される。
これらのモデルは、金融学や統計気候学などの領域で広く成功しているが、歴史的データに真の後部分布を作り出す能力がないのが普通である。
この基本的な制限に対処するために、特殊共分散関数を持つ階層型ガウス過程(GP)モデルとして、確率的ボラティリティモデルのクラスを再キャストする方法を示す。
このGPモデルは,確率的ボラティリティモデルの帰納バイアスを保持しつつ,GP推定による後続予測分布を提供する。
このフレームワークでは、よく研究されたドメインからインスピレーションを得て、ストックや風速予測においてベースラインを大幅に上回り、マルチタスク設定に自然に拡張する新しいモデルのVoltとMagpieを導入する。
関連論文リスト
- Fusion of Gaussian Processes Predictions with Monte Carlo Sampling [61.31380086717422]
科学と工学において、私たちはしばしば興味のある変数の正確な予測のために設計されたモデルで作業します。
これらのモデルが現実の近似であることを認識し、複数のモデルを同じデータに適用し、結果を統合することが望ましい。
論文 参考訳(メタデータ) (2024-03-03T04:21:21Z) - Data-driven Modeling and Inference for Bayesian Gaussian Process ODEs
via Double Normalizing Flows [28.62579476863723]
本稿では,ODEベクトル場を再パラメータ化するために正規化フローを導入し,データ駆動の事前分布を導出する。
また, GP ODE の後部推定に正規化フローを適用し, 強平均場仮定の問題を解く。
シミュレーション力学系と実世界の人間の動作データに対するアプローチの有効性を検証した。
論文 参考訳(メタデータ) (2023-09-17T09:28:47Z) - Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。
一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
論文 参考訳(メタデータ) (2022-02-23T06:11:49Z) - Riemannian Score-Based Generative Modeling [56.20669989459281]
経験的性能を示すスコアベース生成モデル(SGM)を紹介する。
現在のSGMは、そのデータが平坦な幾何学を持つユークリッド多様体上で支えられているという前提を定めている。
これにより、ロボット工学、地球科学、タンパク質モデリングの応用にこれらのモデルを使用することができない。
論文 参考訳(メタデータ) (2022-02-06T11:57:39Z) - Hierarchical Gaussian Process Models for Regression Discontinuity/Kink
under Sharp and Fuzzy Designs [0.0]
回帰不連続/リンク(RD/RK)を用いた因果推論のための非パラメトリックベイズ推定器を提案する。
これらの推定器は、中間ベイズニューラルネットワーク層を持つ階層型GPモデルに拡張される。
モンテカルロシミュレーションにより、我々の推定器は、精度、カバレッジ、間隔長の点で競合する推定器よりもよく、しばしばよく機能することを示した。
論文 参考訳(メタデータ) (2021-10-03T04:23:56Z) - Latent Gaussian Model Boosting [0.0]
ツリーブースティングは多くのデータセットに対して優れた予測精度を示す。
シミュレーションおよび実世界のデータ実験において,既存の手法と比較して予測精度が向上した。
論文 参考訳(メタデータ) (2021-05-19T07:36:30Z) - 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) - 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) - Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。
分散による離散乗法雑音のパラメータによく現れることを示す。
最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
論文 参考訳(メタデータ) (2020-06-11T09:58:01Z) - Transport Gaussian Processes for Regression [0.22843885788439797]
本稿では,GP,ワープGP,学生プロセスなどを含むプロセス構築手法を提案する。
私たちのアプローチはレイヤベースのモデルにインスパイアされ、各レイヤが生成されたプロセス上で特定のプロパティを変更する。
実世界のデータを用いた実験により,提案モデルの有効性を検証した。
論文 参考訳(メタデータ) (2020-01-30T17:44:21Z)
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。