Fugu-MT 論文翻訳(概要): Estimating value at risk: LSTM vs. GARCH

論文の概要: Estimating value at risk: LSTM vs. GARCH

arxiv url: http://arxiv.org/abs/2207.10539v1
Date: Thu, 21 Jul 2022 15:26:07 GMT
ステータス: 処理完了
システム内更新日: 2022-07-22 13:44:08.590532
Title: Estimating value at risk: LSTM vs. GARCH
Title（参考訳）: リスク値の推定:lstm対garch
Authors: Weronika Ormaniec, Marcin Pitera, Sajad Safarveisi, Thorsten Schmidt
Abstract要約: 本稿では,Long Short-term memory (LSTM) ニューラルネットワークを用いたリスクリスク推定手法を提案する。その結果,比較的短い時系列であっても,LSTMはリスク推定プロセスの洗練や監視に有効であることが示唆された。シミュレーションデータと市場データの両方において、LSTMは、シミュレーションデータ上でのGARCH推定と類似した性能を示す。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Estimating value-at-risk on time series data with possibly heteroscedastic dynamics is a highly challenging task. Typically, we face a small data problem in combination with a high degree of non-linearity, causing difficulties for both classical and machine-learning estimation algorithms. In this paper, we propose a novel value-at-risk estimator using a long short-term memory (LSTM) neural network and compare its performance to benchmark GARCH estimators. Our results indicate that even for a relatively short time series, the LSTM could be used to refine or monitor risk estimation processes and correctly identify the underlying risk dynamics in a non-parametric fashion. We evaluate the estimator on both simulated and market data with a focus on heteroscedasticity, finding that LSTM exhibits a similar performance to GARCH estimators on simulated data, whereas on real market data it is more sensitive towards increasing or decreasing volatility and outperforms all existing estimators of value-at-risk in terms of exception rate and mean quantile score.
Abstract（参考訳）: ヘテロシドスティックなダイナミクスを伴う時系列データにおけるリスク値の推定は、非常に難しい課題である。典型的には、高次非線形性と組み合わさって小さなデータ問題に直面し、古典的および機械的学習推定アルゴリズムに困難をもたらす。本稿では,Long Short-term memory (LSTM) ニューラルネットワークを用いた新しいリスクリスク推定器を提案し,その性能をベンチマークGARCH推定器と比較する。その結果,比較的短い時系列であっても,LSTMはリスク推定プロセスを洗練・監視し,非パラメトリックな手法でその基盤となるリスクダイナミクスを正しく同定することができることがわかった。シミュレーションデータと市場データの両方において,lstmがシミュレーションデータにおいてgarch推定値と同等の性能を示すのに対し,実市場データではボラティリティの増大あるいは減少に敏感であり,例外率と平均量子化スコアの点で,既存のバリュー・アット・リスクの推定値よりも優れていた。

関連論文リスト

Survival Models: Proper Scoring Rule and Stochastic Optimization with Competing Risks [6.9648613217501705]
SurvivalBoostは、4つの実生活データセットで12の最先端モデルを上回っている。優れたキャリブレーション、任意の時間軸にわたって予測する機能、既存のメソッドよりも高速な計算時間を提供する。
論文参考訳（メタデータ） (2024-10-22T07:33:34Z)
Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。さらに、テストポイントがトレーニングセットと非自明な相関を持ち、時系列予測で頻繁に発生するような場合まで分析を拡張します。我々は多種多様な高次元データにまたがって理論を検証する。
論文参考訳（メタデータ） (2024-08-08T17:27:29Z)
On the Performance of Empirical Risk Minimization with Smoothed Data [59.3428024282545]
経験的リスク最小化(Empirical Risk Minimization、ERM)は、クラスがiidデータで学習可能であれば、サブ線形誤差を達成できる。 We show that ERM can able to achieve sublinear error when a class are learnable with iid data。
論文参考訳（メタデータ） (2024-02-22T21:55:41Z)
Uncertainty-Aware Deep Attention Recurrent Neural Network for Heterogeneous Time Series Imputation [0.25112747242081457]
欠落は多変量時系列においてユビキタスであり、信頼できる下流分析の障害となる。本稿では、欠落した値とその関連不確かさを共同で推定するDeep Attention Recurrent Imputation (Imputation)を提案する。実験の結果,実世界のデータセットを用いた多様な計算タスクにおいて,SOTAを上回っていることがわかった。
論文参考訳（メタデータ） (2024-01-04T13:21:11Z)
Just-In-Time Learning for Operational Risk Assessment in Power Grids [12.939739997360016]
再生可能エネルギーのかなりのシェアを持つグリッドでは、オペレーターは運用リスクを評価するための追加のツールが必要である。本稿では,Just-In-Time Risk Assessment Learning Framework (JITRALF) を代替として提案する。 JITRALFは、リスクを見積もるために必要な量を予測するために、機械学習(ML)を使用して、1日に1時間に1回のリスクサロゲートをトレーニングする。
論文参考訳（メタデータ） (2022-09-26T15:11:27Z)
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)
Long Short-Term Memory Neural Network for Financial Time Series [0.0]
株価変動の予測のために,単体および並列長短期記憶ニューラルネットワークのアンサンブルを提案する。ストレートなトレーディング戦略では、ランダムに選択されたポートフォリオと指数のすべての株を含むポートフォリオを比較すると、LSTMアンサンブルから得られたポートフォリオが平均的なリターンと時間とともに高い累積リターンを提供することを示している。
論文参考訳（メタデータ） (2022-01-20T15:17:26Z)
Doing Great at Estimating CATE? On the Neglected Assumptions in Benchmark Comparisons of Treatment Effect Estimators [91.3755431537592]
もっとも単純な設定であっても、無知性仮定に基づく推定は誤解を招く可能性があることを示す。異種処理効果評価のための機械学習ベンチマークデータセットを2つ検討した。ベンチマークデータセットの固有の特性が、他のものよりもいくつかのアルゴリズムを好んでいる点を強調します。
論文参考訳（メタデータ） (2021-07-28T13:21:27Z)
Risk Minimization from Adaptively Collected Data: Guarantees for Supervised and Policy Learning [57.88785630755165]
経験的リスク最小化(Empirical Risk Minimization, ERM)は、機械学習のワークホースであるが、適応的に収集されたデータを使用すると、そのモデルに依存しない保証が失敗する可能性がある。本研究では,仮説クラス上での損失関数の平均値を最小限に抑えるため,適応的に収集したデータを用いた一般的な重み付きERMアルゴリズムについて検討する。政策学習では、探索がゼロになるたびに既存の文献のオープンギャップを埋める率-最適後悔保証を提供する。
論文参考訳（メタデータ） (2021-06-03T09:50:13Z)
Prediction of financial time series using LSTM and data denoising methods [0.29923891863939933]
本稿では,ウェーブレット変換 (WT) と特異スペクトル解析 (SSA) を含むデータデノイジング法に基づくアンサンブル法を提案する。 WTとSSAは、元のシーケンスから有用な情報を抽出し、オーバーフィッティングを避けるため、ハイブリッドモデルはDJIAの閉値のシーケンスパターンをよりよく把握することができる。
論文参考訳（メタデータ） (2021-03-05T07:32:36Z)
Learning from Similarity-Confidence Data [94.94650350944377]
類似度信頼性(Sconf)データから学習する新しい弱監督学習問題について検討する。本研究では,Sconfデータのみから計算可能な分類リスクの非バイアス推定器を提案し,推定誤差境界が最適収束率を達成することを示す。
論文参考訳（メタデータ） (2021-02-13T07:31:16Z)

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。