論文の概要: Generalized Autoregressive Score Trees and Forests

• arxiv url: http://arxiv.org/abs/2305.18991v1
• Date: Tue, 30 May 2023 12:41:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-31 16:21:22.323434
• Title: Generalized Autoregressive Score Trees and Forests
• Title（参考訳）: 総合的自己回帰スコア木と森林
• Authors: Andrew J. Patton and Yasin Simsek
• Abstract要約: 本稿では,GASモデルから,決定木やランダム林を用いてパラメータを局所化することにより,予測を改善する手法を提案する。 ストックリターンのボラティリティと密度予測への応用において、最適GASツリーモデルはレバレッジ効果と分散リスクプレミアム効果を明らかにする。 ストックボンド依存の研究では, 最適なGAS森林予測において, 飛行から品質への影響を示す証拠が得られ, 高周波取引継続時間の解析により, 体積変動効果が明らかとなった。
• 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 methods to improve the forecasts from generalized autoregressive score (GAS) models (Creal et. al, 2013; Harvey, 2013) by localizing their parameters using decision trees and random forests. These methods avoid the curse of dimensionality faced by kernel-based approaches, and allow one to draw on information from multiple state variables simultaneously. We apply the new models to four distinct empirical analyses, and in all applications the proposed new methods significantly outperform the baseline GAS model. In our applications to stock return volatility and density prediction, the optimal GAS tree model reveals a leverage effect and a variance risk premium effect. Our study of stock-bond dependence finds evidence of a flight-to-quality effect in the optimal GAS forest forecasts, while our analysis of high-frequency trade durations uncovers a volume-volatility effect.
• Abstract（参考訳）: 本稿では,GASモデル(Creal et. al, 2013; Harvey, 2013)から決定木やランダム林を用いてパラメータを定位することで,予測を改善する手法を提案する。 これらの方法は、カーネルベースのアプローチが直面する次元性の呪いを回避し、複数の状態変数から情報を同時に引き出すことができる。 新しいモデルは4つの異なる経験的分析に適用し,提案手法は基礎ガスモデルを大きく上回っている。 ストックリターンのボラティリティと密度予測への応用において,最適ガスツリーモデルはレバレッジ効果と分散リスクプレミアム効果を明らかにする。 本研究は,高頻度取引継続時間の解析によって体積変動性効果が明らかにされる一方で,最適ガス林予測における飛行から品質への影響の証拠を見出した。

関連論文リスト

• Towards Hybrid Embedded Feature Selection and Classification Approach with Slim-TSF [0.0]
  本研究の目的は、太陽フレアとその起源領域の隠れた関係と進化的特性を明らかにすることである。 True Skill Statistic (TSS) とHeidke Skill Score (HSS) の双方で平均5%の増加が認められた。
  論文  参考訳（メタデータ） (2024-09-06T18:12:05Z)
• A Natural Gas Consumption Forecasting System for Continual Learning Scenarios based on Hoeffding Trees with Change Point Detection Mechanism [3.664183482252307]
  本稿では,変化点検出統合による天然ガス消費の予測について紹介する。 提案手法に基づく予測モデルの性能を実世界の複雑なユースケースで評価する。
  論文  参考訳（メタデータ） (2023-09-07T13:52:20Z)
• Model-based Causal Bayesian Optimization [74.78486244786083]
  乗算重み付き因果ベイズ最適化のための最初のアルゴリズム(CBO-MW)を提案する。 グラフ関連の量に自然に依存するCBO-MWに対する後悔の限界を導出する。 我々の実験は、共有モビリティシステムにおいて、ユーザの需要パターンを学習するためにCBO-MWをどのように使用できるかの現実的なデモを含む。
  論文  参考訳（メタデータ） (2023-07-31T13:02:36Z)
• Ensemble Modeling for Time Series Forecasting: an Adaptive Robust Optimization Approach [3.7565501074323224]
  本稿では,時系列予測モデルの堅牢なアンサンブルを構築するための新しい手法を提案する。 本手法の有効性を,一連の合成実験と実世界の応用を通して実証する。
  論文  参考訳（メタデータ） (2023-04-09T20:30:10Z)
• On the Effectiveness of Parameter-Efficient Fine-Tuning [79.6302606855302]
  現在、多くの研究が、パラメータのごく一部のみを微調整し、異なるタスク間で共有されるパラメータのほとんどを保持することを提案している。 これらの手法は, いずれも細粒度モデルであり, 新たな理論的解析を行う。 我々の理論に根ざした空間性の有効性にもかかわらず、調整可能なパラメータをどう選ぶかという問題はまだ未解決のままである。
  論文  参考訳（メタデータ） (2022-11-28T17:41:48Z)
• Adaptive LASSO estimation for functional hidden dynamic geostatistical model [69.10717733870575]
  関数型隠れ統計モデル(f-HD)のためのペナル化極大推定器(PMLE)に基づく新しいモデル選択アルゴリズムを提案する。 このアルゴリズムは反復最適化に基づいており、適応最小限の収縮・セレクタ演算子(GMSOLAS)ペナルティ関数を用いており、これは不給付のf-HD最大線量推定器によって得られる。
  論文  参考訳（メタデータ） (2022-08-10T19:17:45Z)
• Distributional Gradient Boosting Machines [77.34726150561087]
  私たちのフレームワークはXGBoostとLightGBMをベースにしています。 我々は,このフレームワークが最先端の予測精度を実現することを示す。
  論文  参考訳（メタデータ） (2022-04-02T06:32:19Z)
• On Uncertainty Estimation by Tree-based Surrogate Models in Sequential Model-based Optimization [13.52611859628841]
  予測不確実性推定の観点から,ランダム化木の様々なアンサンブルを再検討し,その挙動について検討する。 BwO林と呼ばれる無作為な樹木のアンサンブルを構築するための新しい手法を提案する。 実験により,既存の樹木モデルに対するBwO林の有効性と性能について様々な状況で検証した。
  論文  参考訳（メタデータ） (2022-02-22T04:50:37Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• Sparse Bayesian Causal Forests for Heterogeneous Treatment Effects Estimation [0.0]
  本稿では,ベイジアン因果樹林のスパース性誘導型を考案する。 観察データを用いて不均一な治療効果を推定する。
  論文  参考訳（メタデータ） (2021-02-12T15:24:50Z)
• Learnable Bernoulli Dropout for Bayesian Deep Learning [53.79615543862426]
  Learnable Bernoulli Dropout (LBD) は、他のモデルパラメータと共に最適化されたパラメータとしてドロップアウト率を考慮する新しいモデルに依存しないドロップアウトスキームである。 LBDは画像分類とセマンティックセグメンテーションにおける精度と不確実性の推定を改善する。
  論文  参考訳（メタデータ） (2020-02-12T18:57:14Z)

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。