論文の概要: Time series quantile regression using random forests
- arxiv url: http://arxiv.org/abs/2211.02273v1
- Date: Fri, 4 Nov 2022 05:58:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-07 17:30:42.587114
- Title: Time series quantile regression using random forests
- Title(参考訳): ランダム森林を用いた時系列量子レグレッション
- Authors: Hiroshi Shiraishi, Tomoshige Nakamura, Ryotato Shibuki
- Abstract要約: tsQRF (time series Quantile Regression Forests) 推定器が一貫していることを示す。
Nikkei Stock Averageを用いた実データでは、ボラティリティの観点から、我々の推定値が他よりも敏感であることが示されている。
- 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 discuss an application of Generalized Random Forests (GRF) proposed by
Athey et al.(2019) to quantile regression for time series data. We extracted
the theoretical results of the GRF consistency for i.i.d. data to time series
data. In particular, in the main theorem, based only on the general assumptions
for time series data in Davis and Nielsen (2020), and trees in Athey et
al.(2019), we show that the tsQRF (time series Quantile Regression Forests)
estimator is consistent. Davis and Nielsen (2020) also discussed the estimation
problem using Random Forests (RF) for time series data, but the construction
procedure of the RF treated by the GRF is essentially different, and different
ideas are used throughout the theoretical proof. In addition, a simulation and
real data analysis were conducted.In the simulation, the accuracy of the
conditional quantile estimation was evaluated under time series models. In the
real data using the Nikkei Stock Average, our estimator is demonstrated to be
more sensitive than the others in terms of volatility, thus preventing
underestimation of risk.
- Abstract(参考訳): Atheyらによって提案された一般ランダムフォレスト(GRF)の適用について論じる。
(2019) - 時系列データに対する量子レグレッション。
我々は,時系列データに対するGRF整合性の理論的結果を抽出した。
特に主定理では、デイビスとニールセンの時系列データに対する一般的な仮定(2020年)とアテイとアルの木の仮定に基づいている。
(2019) は,tsqrf (time series quantile regression forests) 推定値が一貫していることを示す。
Davis と Nielsen (2020) も時系列データに対するランダムフォレスト (RF) を用いた推定問題について議論したが、GRF で処理された RF の構成手順は基本的には異なっており、理論的な証明を通じて異なる考え方が用いられている。
さらに, シミュレーションと実データ解析を行い, 時系列モデルを用いて条件量推定の精度を評価した。
Nikkei Stock Averageを用いた実データでは、ボラティリティの観点から、我々の推定値が他よりも敏感であることが示され、リスクの過小評価が防止される。
関連論文リスト
- FreDF: Learning to Forecast in Frequency Domain [56.24773675942897]
時系列モデリングは、歴史的シーケンスとラベルシーケンスの両方に自己相関が存在するという点で、独特な課題である。
本稿では、周波数領域の予測を学習することでラベル自己相関の複雑さを回避できる周波数強調直接予測(FreDF)を導入する。
論文 参考訳(メタデータ) (2024-02-04T08:23:41Z) - Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation
for Time Series [49.992908221544624]
時系列データは、しばしば多くの欠落した値を示し、これは時系列計算タスクである。
従来の深層学習法は時系列計算に有効であることが示されている。
本研究では,不確実性のある高精度な計算を行う非生成時系列計算法を提案する。
論文 参考訳(メタデータ) (2023-12-03T05:52:30Z) - A Bag of Receptive Fields for Time Series Extrinsic Predictions [8.172425535905038]
高次元時系列データは、そのダイナミックな性質、様々な長さ、欠落した値の存在のために課題を提起する。
本稿では,時系列畳み込みと1D-SAXの概念を取り入れたBag-Of-Receptive-FieldsモデルであるBORFを提案する。
BORF on Time Series Classification and Time Series Extrinsic Regression task using the full UEA and UCR repository。
論文 参考訳(メタデータ) (2023-11-29T19:13:10Z) - Generative Time Series Forecasting with Diffusion, Denoise, and
Disentanglement [51.55157852647306]
時系列予測は多くのアプリケーションにおいて非常に重要な課題である。
実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。
本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
論文 参考訳(メタデータ) (2023-01-08T12:20:46Z) - Ensemble Conformalized Quantile Regression for Probabilistic Time Series
Forecasting [4.716034416800441]
本稿では,アンサンブル共形量子化回帰(EnCQR)と呼ばれる新しい確率予測手法を提案する。
EnCQRは、分布のないほぼ妥当な予測間隔(PI)を構築し、非定常およびヘテロセダスティック時系列データに適しており、任意の予測モデルの上に適用することができる。
その結果、EnCQRは量子レグレッションやコンフォメーション予測のみに基づくモデルよりも優れており、よりシャープで、より情報的で、有効なPIを提供することが示された。
論文 参考訳(メタデータ) (2022-02-17T16:54:20Z) - Adaptive Conformal Predictions for Time Series [0.0]
アダプティブ・コンフォーマル推論(ACI)は、一般的な依存関係を持つ時系列に対して適切な手順であると主張する。
本稿では,オンラインエキスパートアグリゲーションに基づくACIを適応的に構築するパラメータフリー手法であるAgACIを提案する。
実際のケーススタディとして、電力価格の予測を行います。
論文 参考訳(メタデータ) (2022-02-15T09:57:01Z) - TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。
本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。
本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文 参考訳(メタデータ) (2022-02-07T21:37:29Z) - Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。
当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。
単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
論文 参考訳(メタデータ) (2021-10-26T20:41:19Z) - Simultaneously Reconciled Quantile Forecasting of Hierarchically Related
Time Series [11.004159006784977]
本稿では,階層間の予測の整合性を維持するために,量子レグレッション損失を最適化するフレキシブル非線形モデルを提案する。
ここで導入された理論的枠組みは、下層の微分可微分損失関数を持つ任意の予測モデルに適用できる。
論文 参考訳(メタデータ) (2021-02-25T00:59:01Z) - Global Models for Time Series Forecasting: A Simulation Study [2.580765958706854]
自動回帰(AR)や季節ARのような単純なデータ生成プロセス(DGP)からカオスロジスティックマップ、自己興奮型閾値自動回帰、マッキーグラス方程式といった複雑なDGPまで、時系列をシミュレートする。
データセットの長さと系列数は、さまざまなシナリオで変化します。
我々はこれらのデータセットに対して,Recurrent Neural Networks (RNN), Feed-Forward Neural Networks, Pooled Regression (PR) Model, Light Gradient Boosting Models (LGBM)などの大域的予測モデルを用いて実験を行った。
論文 参考訳(メタデータ) (2020-12-23T04:45:52Z) - Censored Quantile Regression Forest [81.9098291337097]
我々は、検閲に適応し、データが検閲を示さないときに量子スコアをもたらす新しい推定方程式を開発する。
提案手法は, パラメトリックなモデリング仮定を使わずに, 時間単位の定量を推定することができる。
論文 参考訳(メタデータ) (2020-01-08T23:20:23Z)
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。