論文の概要: Copula Variational LSTM for High-dimensional Cross-market Multivariate Dependence Modeling

• arxiv url: http://arxiv.org/abs/2305.08778v1
• Date: Tue, 9 May 2023 08:19:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-21 11:03:14.960569
• Title: Copula Variational LSTM for High-dimensional Cross-market Multivariate Dependence Modeling
• Title（参考訳）: 高次元多変量モデルのためのコピュラ変分LSTM
• Authors: Jia Xu and Longbing Cao
• Abstract要約: 我々は、変分連続ニューラルネットワークとコプラに基づく依存モデルを統合するための最初の試みを行う。 我々の変分ニューラルネットワークWPVC-VLSTMは時系列の連続的依存度と構造をモデル化する。 これは、線形モデル、ボラティリティモデル、ディープニューラルネットワーク、市場横断ポートフォリオ予測における変動リカレントネットワークなど、ベンチマークを上回っている。
• 参考スコア（独自算出の注目度）: 46.75628526959982
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We address an important yet challenging problem - modeling high-dimensional dependencies across multivariates such as financial indicators in heterogeneous markets. In reality, a market couples and influences others over time, and the financial variables of a market are also coupled. We make the first attempt to integrate variational sequential neural learning with copula-based dependence modeling to characterize both temporal observable and latent variable-based dependence degrees and structures across non-normal multivariates. Our variational neural network WPVC-VLSTM models variational sequential dependence degrees and structures across multivariate time series by variational long short-term memory networks and regular vine copula. The regular vine copula models nonnormal and long-range distributional couplings across multiple dynamic variables. WPVC-VLSTM is verified in terms of both technical significance and portfolio forecasting performance. It outperforms benchmarks including linear models, stochastic volatility models, deep neural networks, and variational recurrent networks in cross-market portfolio forecasting.
• Abstract（参考訳）: ヘテロジニアス市場における金融指標などの多変数間の高次元依存関係をモデル化する、重要な課題に対処する。 現実には、市場は時間とともに互いに結合し、影響し、市場の金融変数も結合している。 本稿では,変分逐次ニューラルネットワークをコプラに基づく依存モデルと統合し,非正規多変数間の時間的可観測性と潜在変数に基づく依存度と構造を特徴付ける最初の試みを行う。 我々の変異型ニューラルネットワークWPVC-VLSTMは、変動型長期記憶ネットワークと正規ブドウコンパウラによる多変量時系列の連続的依存度と構造をモデル化する。 正規 vine copula は複数の動的変数をまたいだ非正規分布結合と長距離分布結合をモデル化する。 WPVC-VLSTMは、技術的重要性とポートフォリオ予測性能の両方の観点から検証される。 線形モデル、確率的ボラティリティモデル、ディープニューラルネットワーク、市場横断ポートフォリオ予測における変動的リカレントネットワークなど、ベンチマークを上回っている。

関連論文リスト

• STORM: A Spatio-Temporal Factor Model Based on Dual Vector Quantized Variational Autoencoders for Financial Trading [55.02735046724146]
  金融取引では、ファクターモデルが資産の価格設定や過大なリターンの獲得に広く利用されている。 双対ベクトル量子化変分オートエンコーダを用いた時空間ファクトラーモデルSTORMを提案する。 ストームは時間的および空間的な視点からストックの特徴を抽出し、これらの特徴を微細で意味的なレベルで融合し整列させ、その要素を多次元の埋め込みとして表現する。
  論文  参考訳（メタデータ） (2024-12-12T17:15:49Z)
• PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from the perspective of partial differential equations [49.80959046861793]
  本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。 7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
  論文  参考訳（メタデータ） (2024-02-25T17:39:44Z)
• TACTiS-2: Better, Faster, Simpler Attentional Copulas for Multivariate Time Series [57.4208255711412]
  パウラ理論に基づいて,最近導入されたトランスフォーマーに基づく注目パウラ(TACTiS)の簡易な目的を提案する。 結果から,実世界の予測タスクにまたがって,このモデルのトレーニング性能が大幅に向上し,最先端のパフォーマンスが達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-02T16:45:19Z)
• Learning multi-modal generative models with permutation-invariant encoders and tighter variational objectives [5.549794481031468]
  マルチモーダルデータに対する深い潜伏変数モデルの開発は、機械学習研究において長年のテーマであった。 本研究では,データログ類似度を厳密に近似できる変動目標について考察する。 我々は,PoE や MoE のアプローチにおける帰納バイアスを回避するために,より柔軟なアグリゲーション手法を開発した。
  論文  参考訳（メタデータ） (2023-09-01T10:32:21Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• Variational Heteroscedastic Volatility Model [0.0]
  ファイナンシャル時系列における異所性行動のモデル化が可能なエンドツーエンドニューラルネットワークアーキテクチャを提案する。 VHVMは、資産間の関係をキャプチャする変分オートエンコーダと、依存関係の時間進化をモデル化するリカレントニューラルネットワークで構成される。
  論文  参考訳（メタデータ） (2022-04-11T15:29:46Z)
• Trading with the Momentum Transformer: An Intelligent and Interpretable Architecture [2.580765958706854]
  我々は、ベンチマークを上回るアテンションベースのアーキテクチャであるMomentum Transformerを紹介した。 注意パターンの顕著な構造を観察し,運動量回転点における重要なピークを観測した。 解釈可能な変数選択ネットワークを追加することで、PDは日々のリターンデータに基づいて、モデルがトレーディングから遠ざけるのにどう役立つかを観察する。
  論文  参考訳（メタデータ） (2021-12-16T00:04:12Z)
• CLVSA: A Convolutional LSTM Based Variational Sequence-to-Sequence Model with Attention for Predicting Trends of Financial Markets [12.020797636494267]
  生の金融トレーディングデータの特徴を変動的に捉えるハイブリッドモデルであるCLVSAを提案する。 本モデルでは,畳み込みニューラルネットワーク,バニラlstmネットワーク,シーケンシャル・ツー・シーケンスモデルなどの基本モデルよりも注目される。 実験の結果,clvsaは,近似後段の導入により,kullback-leibler 発散に基づく余分な正規化剤を活用し,トラップの過剰フィットを防止することができた。
  論文  参考訳（メタデータ） (2021-04-08T20:31:04Z)
• Variational Dynamic Mixtures [18.730501689781214]
  逐次潜伏変数を推定するための変分動的混合(VDM)を開発した。 実証実験により、VDMは、高マルチモーダルデータセットにおける競合するアプローチよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-20T16:10:07Z)
• Variational Hyper RNN for Sequence Modeling [69.0659591456772]
  本稿では,時系列データにおける高変数の取得に優れる新しい確率的シーケンスモデルを提案する。 提案手法では,時間潜時変数を用いて基礎となるデータパターンに関する情報をキャプチャする。 提案手法の有効性を,合成および実世界のシーケンシャルデータに示す。
  論文  参考訳（メタデータ） (2020-02-24T19:30:32Z)

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。