論文の概要: Comparing Deep Learning Models for the Task of Volatility Prediction
Using Multivariate Data
- arxiv url: http://arxiv.org/abs/2306.12446v2
- Date: Fri, 23 Jun 2023 08:01:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-26 16:46:41.727258
- Title: Comparing Deep Learning Models for the Task of Volatility Prediction
Using Multivariate Data
- Title(参考訳): 多変量データを用いたボラティリティ予測課題に対するディープラーニングモデルの比較
- Authors: Wenbo Ge, Pooia Lalbakhsh, Leigh Isai, Artem Lensky, Hanna Suominen
- Abstract要約: 論文は、より単純で浅いものから、より深くより複雑なアーキテクチャまで、さまざまなモデルを評価する。
5つの資産(S&P500、NASDAQ100、金、銀、石油)のボラティリティの予測は、特にGARCHモデルを用いて対処される。
- 参考スコア(独自算出の注目度): 4.793572485305333
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study aims to compare multiple deep learning-based forecasters for the
task of predicting volatility using multivariate data. The paper evaluates a
range of models, starting from simpler and shallower ones and progressing to
deeper and more complex architectures. Additionally, the performance of these
models is compared against naive predictions and variations of classical GARCH
models.
The prediction of volatility for five assets, namely S&P500, NASDAQ100, gold,
silver, and oil, is specifically addressed using GARCH models, Multi-Layer
Perceptrons, Recurrent Neural Networks, Temporal Convolutional Networks, and
the Temporal Fusion Transformer. In the majority of cases, the Temporal Fusion
Transformer, followed by variants of the Temporal Convolutional Network,
outperformed classical approaches and shallow networks. These experiments were
repeated, and the differences observed between the competing models were found
to be statistically significant, thus providing strong encouragement for their
practical application.
- Abstract(参考訳): 本研究では,多変量データを用いたボラティリティ予測作業において,複数の深層学習に基づく予測器を比較した。
論文は、よりシンプルで浅いものから、より深く、より複雑なアーキテクチャへの進歩まで、さまざまなモデルを評価します。
さらに、これらのモデルの性能は、古典的なGARCHモデルの単純な予測とバリエーションと比較される。
s&p500、nasdaq100、ゴールド、シルバー、オイルの5つの資産のボラティリティの予測は、ガーチモデル、多層パーセプトロン、リカレントニューラルネットワーク、時間的畳み込みネットワーク、時間的核融合トランスフォーマを使用して特に研究されている。
大部分のケースでは、時間的融合トランスフォーマーが続き、時間的畳み込みネットワークの変種が古典的アプローチや浅いネットワークよりも優れていた。
これらの実験は繰り返し行われ, 両モデル間の差は統計的に有意であり, 実用的応用への強い助長が得られた。
関連論文リスト
- A Systematic Approach to Robustness Modelling for Deep Convolutional
Neural Networks [0.294944680995069]
最近の研究は、より大きなモデルが制御された列車やテストセット外のデータに一般化できるかどうかという疑問を提起している。
本稿では,障害発生確率を時間関数としてモデル化する手法を提案する。
コスト、ロバスト性、レイテンシ、信頼性のトレードオフについて検討し、より大きなモデルが敵のロバスト性に大きく寄与しないことを示す。
論文 参考訳(メタデータ) (2024-01-24T19:12:37Z) - The Capacity and Robustness Trade-off: Revisiting the Channel
Independent Strategy for Multivariate Time Series Forecasting [50.48888534815361]
本稿では、Channel Dependent(CD)戦略でトレーニングされたモデルが、Channel Dependent(CD)戦略でトレーニングされたモデルよりも優れていることを示す。
以上の結果から,CD手法は高いキャパシティを持つが,分散ドリフト時系列を正確に予測する堅牢性に欠けることがわかった。
本稿では,CI戦略を超越した正規化(PRReg)による予測残差法(Predict Residuals with Regularization, PRReg)を提案する。
論文 参考訳(メタデータ) (2023-04-11T13:15:33Z) - 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) - Deep Generative model with Hierarchical Latent Factors for Time Series
Anomaly Detection [40.21502451136054]
本研究は、時系列異常検出のための新しい生成モデルであるDGHLを提示する。
トップダウンの畳み込みネットワークは、新しい階層的な潜在空間を時系列ウィンドウにマッピングし、時間ダイナミクスを利用して情報を効率的にエンコードする。
提案手法は,4つのベンチマーク・データセットにおいて,現在の最先端モデルよりも優れていた。
論文 参考訳(メタデータ) (2022-02-15T17:19:44Z) - Sparse MoEs meet Efficient Ensembles [49.313497379189315]
このようなモデルの2つの一般的なクラス、すなわちニューラルネットワークのアンサンブルと専門家のスパースミックス(スパースMoE)の相互作用について研究する。
Efficient Ensemble of Experts (E$3$)は、両モデルのクラスを最大限に活用するスケーラブルでシンプルなMoEのアンサンブルであり、深いアンサンブルよりも最大45%少ないFLOPを使用する。
論文 参考訳(メタデータ) (2021-10-07T11:58:35Z) - Forecasting High-Dimensional Covariance Matrices of Asset Returns with
Hybrid GARCH-LSTMs [0.0]
本稿では,GARCHプロセスとニューラルネットワークを混合したハイブリッドモデルによるアセットリターンの共分散行列の予測能力について検討する。
提案された新しいモデルは、均等に重み付けされたポートフォリオを上回るだけでなく、エコノメトリとかなり差があるため、非常に有望である。
論文 参考訳(メタデータ) (2021-08-25T23:41:43Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳(メタデータ) (2021-06-25T22:08:51Z) - Evaluation of deep learning models for multi-step ahead time series
prediction [1.3764085113103222]
本研究では,マルチステップ先行時系列予測のための深層学習モデルの性能を比較検討する。
当社のディープラーニングメソッドは、単純なリカレントニューラルネットワーク、長期メモリ(LSTM)ネットワーク、双方向LSTM、エンコーダデコーダLSTMネットワーク、および畳み込みニューラルネットワークを妥協します。
論文 参考訳(メタデータ) (2021-03-26T04:07:11Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳(メタデータ) (2021-02-02T06:15:15Z) - Firearm Detection via Convolutional Neural Networks: Comparing a
Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。
これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。
従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
論文 参考訳(メタデータ) (2020-12-17T15:19:29Z) - 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)
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。