論文の概要: Style Miner: Find Significant and Stable Explanatory Factors in Time
Series with Constrained Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2303.11716v1
- Date: Tue, 21 Mar 2023 10:08:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-22 15:43:11.342065
- Title: Style Miner: Find Significant and Stable Explanatory Factors in Time
Series with Constrained Reinforcement Learning
- Title(参考訳): スタイルマイナ:制約付き強化学習を伴う時系列における有意かつ安定した説明因子を見つける
- Authors: Dapeng Li, Feiyang Pan, Jia He, Zhiwei Xu, Dandan Tu, Guoliang Fan
- Abstract要約: 高次元時系列解析では、観測変数の変化を説明する重要な要素のセットを持つことが不可欠である。
本稿では,スタイルファクタを生成する強化学習手法であるStyle Minerを提案する。
実世界の金融データセットの実験は、Style Minerが既存の学習ベースの手法より優れていることを示している。
- 参考スコア(独自算出の注目度): 15.928473233858927
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In high-dimensional time-series analysis, it is essential to have a set of
key factors (namely, the style factors) that explain the change of the observed
variable. For example, volatility modeling in finance relies on a set of risk
factors, and climate change studies in climatology rely on a set of causal
factors. The ideal low-dimensional style factors should balance significance
(with high explanatory power) and stability (consistent, no significant
fluctuations). However, previous supervised and unsupervised feature extraction
methods can hardly address the tradeoff. In this paper, we propose Style Miner,
a reinforcement learning method to generate style factors. We first formulate
the problem as a Constrained Markov Decision Process with explanatory power as
the return and stability as the constraint. Then, we design fine-grained
immediate rewards and costs and use a Lagrangian heuristic to balance them
adaptively. Experiments on real-world financial data sets show that Style Miner
outperforms existing learning-based methods by a large margin and achieves a
relatively 10% gain in R-squared explanatory power compared to the
industry-renowned factors proposed by human experts.
- Abstract(参考訳): 高次元時系列解析では、観測変数の変化を説明する重要な要素(すなわちスタイル因子)のセットを持つことが不可欠である。
例えば、金融のボラティリティモデリングは一連のリスク要因に依存し、気候学における気候変動の研究は一連の因果要因に依存している。
理想的な低次元のスタイル因子は、(説明力の高い)重要性と安定性(一貫性、有意な変動のない)のバランスをとるべきである。
しかし,従来の教師なし・教師なしの特徴抽出手法では,トレードオフにほとんど対処できない。
本稿では,スタイル因子生成のための強化学習手法であるstyle minerを提案する。
まず,制約の戻りと安定性として説明力を持つ制約付きマルコフ決定過程として問題を定式化する。
そして、精密な即時報酬とコストを設計し、ラグランジアンヒューリスティックを用いて適応的にバランスをとる。
実世界の金融データセットの実験では、Style Minerは既存の学習ベースの手法を大きなマージンで上回り、R2乗説明力の10%向上を実現している。
関連論文リスト
- Value-Distributional Model-Based Reinforcement Learning [63.32053223422317]
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) - Improving Confidence in Evolutionary Mine Scheduling via Uncertainty
Discounting [10.609857097723266]
不確実性を考慮した最適スケジュール決定のための新しいアプローチを提案する。
この経済的な枠組みにおける不確実性の扱いは、以前使用が困難だった変動モデルを実用的な洞察に還元する。
我々はMaptekの鉱山計画ソフトウェアEvolutionを用いて実験を行った。
論文 参考訳(メタデータ) (2023-05-29T08:43:09Z) - Mining the Factor Zoo: Estimation of Latent Factor Models with
Sufficient Proxies [29.737081616352913]
我々は2つのアプローチを潜在因子モデル推定にブリッジすることを提案する。
我々は、潜在因子モデルの推定を堅牢で、柔軟で、統計的により正確にする。
ボーナスとして、要素数の増加も認められている。
論文 参考訳(メタデータ) (2022-12-25T03:10:44Z) - Factor Investing with a Deep Multi-Factor Model [123.52358449455231]
我々は、業界中立化と市場中立化モジュールを明確な財務見識をもって取り入れた、新しい深層多要素モデルを開発する。
実世界の株式市場データによるテストは、我々の深層多要素モデルの有効性を示している。
論文 参考訳(メタデータ) (2022-10-22T14:47:11Z) - Disentanglement of Correlated Factors via Hausdorff Factorized Support [53.23740352226391]
本稿では,因子分布ではなく,因子化支援を助長する緩やかな解離基準,HFS(Hausdorff Factorized Support)基準を提案する。
本研究では,HFSを用いることにより,様々な相関設定やベンチマークにおいて,接地構造因子の絡み合いと回復が一貫して促進されることを示す。
論文 参考訳(メタデータ) (2022-10-13T20:46:42Z) - Learning Conditional Invariance through Cycle Consistency [60.85059977904014]
本稿では,データセットの変動の有意義な要因と独立な要因を識別する新しい手法を提案する。
提案手法は,対象プロパティと残りの入力情報に対する2つの別個の潜在部分空間を含む。
我々は,より意味のある因子を同定し,よりスペーサーや解釈可能なモデルに導く合成および分子データについて実証する。
論文 参考訳(メタデータ) (2021-11-25T17:33:12Z) - Deep Risk Model: A Deep Learning Solution for Mining Latent Risk Factors
to Improve Covariance Matrix Estimation [8.617532047238461]
ニューラルネットワークによるリスクファクタを効果的に"設計"するためのディープラーニングソリューションを提案する。
提案手法は,R2$で測定した説明分散を1.9%以上高めることができ,また,グローバルな最小分散ポートフォリオのリスクを低減することができる。
論文 参考訳(メタデータ) (2021-07-12T05:30:50Z) - Uncovering Dominant Features in Short-term Power Load Forecasting Based
on Multi-source Feature [0.0]
本稿では, 電力負荷変動と影響要因の複雑な関係を研究するため, 天文学, 地理学, 社会から80の潜在的特徴を収集する。
ケーススタディでは,最先端手法と比較して,予測精度を33.0%から34.7%向上した。
論文 参考訳(メタデータ) (2021-03-23T13:43:54Z) - Latent Causal Invariant Model [128.7508609492542]
現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。
因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
論文 参考訳(メタデータ) (2020-11-04T10:00:27Z) - Value-driven Hindsight Modelling [68.658900923595]
値推定は強化学習(RL)パラダイムの重要な構成要素である。
モデル学習は、観測系列に存在する豊富な遷移構造を利用することができるが、このアプローチは通常、報酬関数に敏感ではない。
この2つの極点の間に位置するRLにおける表現学習のアプローチを開発する。
これにより、タスクに直接関連し、値関数の学習を加速できる、抽出可能な予測ターゲットが提供される。
論文 参考訳(メタデータ) (2020-02-19T18:10:20Z)
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。