論文の概要: Learning Value-at-Risk and Expected Shortfall

• arxiv url: http://arxiv.org/abs/2209.06476v1
• Date: Wed, 14 Sep 2022 08:15:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-15 13:50:09.234596
• Title: Learning Value-at-Risk and Expected Shortfall
• Title（参考訳）: リスク価値の学習と期待する欠点
• Authors: D Barrera (UNIANDES), S Cr\'epey (LPSM, UPCit\'e), E Gobet (CMAP, X), Hoang-Dung Nguyen (LPSM, UPCit\'e), B Saadeddine (UPS)
• Abstract要約: 条件付き値-リスク(VaR)と期待不足(ES)を学習するための2段階アプローチの非漸近収束解析を提案する。 我々のVaRに対するアプローチは、異なる量子レベルに対応する複数のVaRを同時に学習する問題にまで拡張されている。 後部モンテカルロ法(非ネステッド法)を導入し、VaRとESとの距離を後者へのアクセスなしで推定する。
• 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: We propose a non-asymptotic convergence analysis of a two-step approach to learn a conditional value-at-risk (VaR) and expected shortfall (ES) in a nonparametric setting using Rademacher and Vapnik-Chervonenkis bounds. Our approach for the VaR is extended to the problem of learning at once multiple VaRs corresponding to different quantile levels. This results in efficient learning schemes based on neural network quantile and least-squares regressions. An a posteriori Monte Carlo (non-nested) procedure is introduced to estimate distances to the ground-truth VaR and ES without access to the latter. This is illustrated using numerical experiments in a Gaussian toy-model and a financial case-study where the objective is to learn a dynamic initial margin.
• Abstract（参考訳）: 本稿では,RadecherとVapnik-Chervonenkis境界を用いた非パラメトリック設定において,条件付き値-リスク(VaR)と期待不足(ES)を学習するための2段階アプローチの非漸近収束解析を提案する。 我々のVaRに対するアプローチは、異なる量子レベルに対応する複数のVaRを同時に学習する問題にまで拡張されている。 これにより、ニューラルネットワークの量子化と最小二乗回帰に基づく効率的な学習方式が得られる。 後部モンテカルロ法(非ネステッド法)を導入し、VaRとESとの距離を後者へのアクセスなしで推定する。 このことは、ガウスの玩具モデルと金融ケーススタディの数値実験を用いて、動的初期マージンを学習することを目的とする。

関連論文リスト

• Kolmogorov-Smirnov GAN [52.36633001046723]
  我々は、KSGAN(Kolmogorov-Smirnov Generative Adversarial Network)という新しい深層生成モデルを提案する。 既存のアプローチとは異なり、KSGANはKS距離の最小化として学習プロセスを定式化している。
  論文  参考訳（メタデータ） (2024-06-28T14:30:14Z)
• Regularized DeepIV with Model Selection [72.17508967124081]
  正規化DeepIV(RDIV)回帰は最小ノルムIV解に収束することができる。 我々の手法は現在の最先端の収束率と一致している。
  論文  参考訳（メタデータ） (2024-03-07T05:38:56Z)
• A Multi-step Loss Function for Robust Learning of the Dynamics in Model-based Reinforcement Learning [10.940666275830052]
  モデルに基づく強化学習では、ほとんどのアルゴリズムはデータに基づいて学習したダイナミクスの一段階モデルからの軌道のシミュレーションに依存している。 我々は、多段階の目標を用いてワンステップモデルを訓練することでこの問題に対処する。 この新たな損失は、データが騒々しいときに特に有効であることが分かっています。
  論文  参考訳（メタデータ） (2024-02-05T16:13:00Z)
• Transfer Learning for Nonparametric Regression: Non-asymptotic Minimax Analysis and Adaptive Procedure [5.303044915173525]
  我々は,最小限のリスクを対数係数まで達成できる信頼しきい値推定器と呼ばれる新しい推定器を開発した。 次に,パラメータ空間の幅の広い対数係数までの最小リスクを適応的に達成するデータ駆動アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-22T16:24:04Z)
• Selective Nonparametric Regression via Testing [54.20569354303575]
  本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。 既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
  論文  参考訳（メタデータ） (2023-09-28T13:04:11Z)
• Value-Distributional Model-Based Reinforcement Learning [59.758009422067]
  政策の長期的業績に関する不確実性の定量化は、シーケンシャルな意思決定タスクを解決するために重要である。 モデルに基づくベイズ強化学習の観点から問題を考察する。 本稿では,値分布関数を学習するモデルに基づくアルゴリズムであるEpicemic Quantile-Regression(EQR)を提案する。
  論文  参考訳（メタデータ） (2023-08-12T14:59:19Z)
• Estimation of Non-Crossing Quantile Regression Process with Deep ReQU Neural Networks [5.5272015676880795]
  本稿では,2次単位(ReQU)活性化深層ニューラルネットワークを用いた非分離モデルにおいて,QRP(quantile regression process)を推定するペナル化非パラメトリック手法を提案する。 推定されたQRPに対する非漸近的過剰リスク境界を確立し、軽度な滑らかさと規則性条件下で推定されたQRPに対する平均2乗誤差を導出する。
  論文  参考訳（メタデータ） (2022-07-21T12:26:45Z)
• Understanding the Under-Coverage Bias in Uncertainty Estimation [58.03725169462616]
  量子レグレッションは、現実の望ましいカバレッジレベルよりもアンファンダーカバー(enmphunder-cover)する傾向がある。 我々は、量子レグレッションが固有のアンダーカバーバイアスに悩まされていることを証明している。 我々の理論は、この過大被覆バイアスが特定の高次元パラメータ推定誤差に起因することを明らかにしている。
  論文  参考訳（メタデータ） (2021-06-10T06:11:55Z)
• Learning Rates as a Function of Batch Size: A Random Matrix Theory Approach to Neural Network Training [2.9649783577150837]
  スパイクされたフィールド依存ランダム行列理論を用いて, ニューラルネットの損失景観に及ぼすミニバッチの影響について検討した。 我々は、スムーズで非ニュートンディープニューラルネットワークのための最大降下および適応訓練規則の解析式を導出する。 VGG/ResNetおよびImageNetデータセットのクレームを検証する。
  論文  参考訳（メタデータ） (2020-06-16T11:55:45Z)
• Path Sample-Analytic Gradient Estimators for Stochastic Binary Networks [78.76880041670904]
  二進的アクティベーションや二進的重みを持つニューラルネットワークでは、勾配降下によるトレーニングは複雑である。 そこで本研究では,サンプリングと解析近似を併用した新しい推定法を提案する。 勾配推定において高い精度を示し、深部畳み込みモデルにおいてより安定かつ優れた訓練を行うことを示す。
  論文  参考訳（メタデータ） (2020-06-04T21:51:21Z)
• Learning with CVaR-based feedback under potentially heavy tails [8.572654816871873]
  条件付きリスク(CVaR)の最小化を目指す学習アルゴリズムについて検討する。 まず,重み付き確率変数に対するCVaRの汎用推定器について検討する。 次に、勾配駆動サブプロセスによって生成される候補の中から頑健に選択する新しい学習アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2020-06-03T01:08:29Z)

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。