論文の概要: Conditional Generators for Limit Order Book Environments: Explainability, Challenges, and Robustness

• arxiv url: http://arxiv.org/abs/2306.12806v1
• Date: Thu, 22 Jun 2023 11:06:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-23 14:35:09.359116
• Title: Conditional Generators for Limit Order Book Environments: Explainability, Challenges, and Robustness
• Title（参考訳）: 極限順序ブック環境のための条件付きジェネレータ--説明可能性,課題,ロバスト性
• Authors: Andrea Coletta, Joseph Jerome, Rahul Savani, and Svitlana Vyetrenko
• Abstract要約: 限定注文書は、基本的で広範な市場メカニズムである。 本稿では,注文帳シミュレーションにおける条件付き生成モデルの利用について検討する。 強みと弱みの両方を強調する入力機能への依存について検討する。
• 参考スコア（独自算出の注目度）: 2.9398911304923447
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Limit order books are a fundamental and widespread market mechanism. This paper investigates the use of conditional generative models for order book simulation. For developing a trading agent, this approach has drawn recent attention as an alternative to traditional backtesting due to its ability to react to the presence of the trading agent. Using a state-of-the-art CGAN (from Coletta et al. (2022)), we explore its dependence upon input features, which highlights both strengths and weaknesses. To do this, we use "adversarial attacks" on the model's features and its mechanism. We then show how these insights can be used to improve the CGAN, both in terms of its realism and robustness. We finish by laying out a roadmap for future work.
• Abstract（参考訳）: 限定注文書は、基本的で広範な市場メカニズムである。 本稿では,条件付き生成モデルを用いた注文帳シミュレーションについて検討する。 トレーディングエージェントの開発においては、トレーディングエージェントの存在に反応する能力のため、従来のバックテストに代わるものとして近年注目されている。 最新のCGAN(Coletta et al. (2022))を用いて、入力特徴への依存を探り、強みと弱みの両方を強調する。 これを実現するために、モデルの特徴とそのメカニズムに"逆攻撃"を使用します。 次に、これらの知見がCGANの改善にどのように役立つか、その現実性と堅牢性の両方の観点から示す。 今後の作業のロードマップを策定する作業を終えます。

関連論文リスト

• Faithful Model Explanations through Energy-Constrained Conformal Counterfactuals [16.67633872254042]
  ブラックボックスモデルを説明するための直感的で直感的な説明を提供する。 既存の作業は主に、入力データの分散方法を学ぶために代理モデルに依存しています。 そこで本研究では,モデルが許容する範囲でのみ有効な,エネルギー制約のあるコンフォーマル・カウンセリングを生成するための新しいアルゴリズムフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-17T08:24:44Z)
• Studying How to Efficiently and Effectively Guide Models with Explanations [52.498055901649025]
  「モデルガイダンス」とは「正しい理由のために正しい」ことを保証するためにモデルの説明を規則化する考え方である。 PASCAL VOC 2007 および MS COCO 2014 データセット上で, 各種損失関数, 帰属方法, モデル, 誘導深度について詳細な評価を行う。 具体的には、一般的に使用されるセグメンテーションマスクよりもはるかに安価で入手可能なバウンディングボックスアノテーションを用いてモデルをガイドする。
  論文  参考訳（メタデータ） (2023-03-21T15:34:50Z)
• Your Autoregressive Generative Model Can be Better If You Treat It as an Energy-Based One [83.5162421521224]
  本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。 E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。 我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
  論文  参考訳（メタデータ） (2022-06-26T10:58:41Z)
• Towards Robust and Reliable Algorithmic Recourse [11.887537452826624]
  モデルシフトに堅牢なリコースを見つけるための敵対的トレーニングを活用する新しいフレームワークであるRObust Algorithmic Recourse(ROAR)を提案します。 また,モデルシフトにロバストなリコースの構築の重要性を強調する詳細な理論解析を行う。
  論文  参考訳（メタデータ） (2021-02-26T17:38:52Z)
• Hierarchical Variational Autoencoder for Visual Counterfactuals [79.86967775454316]
  条件変量オート(VAE)は、説明可能な人工知能(XAI)ツールとして注目されている。 本稿では, 後部の効果がいかに緩和され, 対物的効果が成功するかを示す。 本稿では,アプリケーション内の分類器を視覚的に監査できる階層型VAEについて紹介する。
  論文  参考訳（メタデータ） (2021-02-01T14:07:11Z)
• Latent Space Conditioning on Generative Adversarial Networks [3.823356975862006]
  敵対的トレーニングと表現学習という2つの一般的な学習テクニックの恩恵を受ける新しいフレームワークを紹介します。 特に,提案手法は潜在空間の構造(表現学習によって学習される)を利用して生成モデルを条件付けする。
  論文  参考訳（メタデータ） (2020-12-16T08:58:10Z)
• Hijack-GAN: Unintended-Use of Pretrained, Black-Box GANs [57.90008929377144]
  現状のGANモデルは、無条件画像生成以外の様々な用途に利用できることを示す。 我々は、画像生成プロセスの制御も可能な反復的なスキームによりこれを達成した。
  論文  参考訳（メタデータ） (2020-11-28T11:07:36Z)
• RobustBench: a standardized adversarial robustness benchmark [84.50044645539305]
  ロバストネスのベンチマークにおける主な課題は、その評価がしばしばエラーを起こし、ロバストネス過大評価につながることである。 我々は,白箱攻撃と黒箱攻撃のアンサンブルであるAutoAttackを用いて,敵対的ロバスト性を評価する。 分散シフト,キャリブレーション,アウト・オブ・ディストリビューション検出,フェアネス,プライバシリーク,スムースネス,転送性に対するロバスト性の影響を解析した。
  論文  参考訳（メタデータ） (2020-10-19T17:06:18Z)
• What can I do here? A Theory of Affordances in Reinforcement Learning [65.70524105802156]
  我々はマルコフ決定過程の学習と計画を行うエージェントのための余裕の理論を開発する。 このケースでは、任意の状況で利用可能なアクションの数を減らすことで、アフォーダンスが二重の役割を担います。 本稿では,よりシンプルで一般化された遷移モデルを推定するために,余裕を学習し,それを利用するアプローチを提案する。
  論文  参考訳（メタデータ） (2020-06-26T16:34:53Z)
• Generating Realistic Stock Market Order Streams [18.86755130031027]
  本稿では,GAN(Generative Adversarial Network)に基づいて,現実的で高忠実な株式市場データを生成する手法を提案する。 我々のストック-GANモデルは、注文の履歴依存を捉えるために条件付きワッサースタインGANを使用している。
  論文  参考訳（メタデータ） (2020-06-07T17:32:42Z)

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。