Fugu-MT 論文翻訳(概要): Pricing European Options with Google AutoML, TensorFlow, and XGBoost

論文の概要: Pricing European Options with Google AutoML, TensorFlow, and XGBoost

arxiv url: http://arxiv.org/abs/2307.00476v1
Date: Sun, 2 Jul 2023 05:12:06 GMT
ステータス: 処理完了
システム内更新日: 2023-07-05 15:57:34.182059
Title: Pricing European Options with Google AutoML, TensorFlow, and XGBoost
Title（参考訳）: Google AutoML、TensorFlow、XGBoostによるヨーロッパのオプションの価格設定
Authors: Juan Esteban Berger
Abstract要約: 本稿では,Google Cloud の AutoML Regressor と Neural Networks と XGBoost Gradient Boosting Decision Trees を用いて,欧州のオプションを価格で比較する。 3種類のモデルは全て平均的な絶対誤差でブラック・ショールズ・モデルを上回った。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Researchers have been using Neural Networks and other related machine-learning techniques to price options since the early 1990s. After three decades of improvements in machine learning techniques, computational processing power, cloud computing, and data availability, this paper is able to provide a comparison of using Google Cloud's AutoML Regressor, TensorFlow Neural Networks, and XGBoost Gradient Boosting Decision Trees for pricing European Options. All three types of models were able to outperform the Black Scholes Model in terms of mean absolute error. These results showcase the potential of using historical data from an option's underlying asset for pricing European options, especially when using machine learning algorithms that learn complex patterns that traditional parametric models do not take into account.
Abstract（参考訳）: 研究者は1990年代初めから、ニューラルネットワークやその他の機械学習技術を使って価格設定を行ってきた。機械学習技術、計算処理能力、クラウドコンピューティング、データ可用性の30年間の改善の後、本論文は、google cloudのautoml regressor、tensorflow neural networks、およびxgboostgradient boosting decision treeを使用して、ヨーロッパオプションの価格設定を比較できる。 3つのモデルは全て、平均的な絶対誤差の観点からブラックシェールモデルを上回ることができた。これらの結果は、特に従来のパラメトリックモデルが考慮しない複雑なパターンを学習する機械学習アルゴリズムを使用する場合、オプションの根底にある資産からヨーロッパのオプションを価格で使用する可能性を示している。

関連論文リスト

Pricing American Options using Machine Learning Algorithms [0.0]
本研究は,モンテカルロシミュレーションを用いて,機械学習アルゴリズムのアメリカ人オプションの価格設定への応用について検討する。 Black-Scholes-Mertonフレームワークのような伝統的なモデルは、しばしばアメリカの選択肢の複雑さに適切に対処できない。モンテカルロ法とLast Square Methodを併用して機械学習を行った。
論文参考訳（メタデータ） (2024-09-05T02:52:11Z)
Class-Imbalanced Semi-Supervised Learning for Large-Scale Point Cloud Semantic Segmentation via Decoupling Optimization [64.36097398869774]
半教師付き学習(SSL)は大規模3Dシーン理解のための活発な研究課題である。既存のSSLベースのメソッドは、クラス不均衡とポイントクラウドデータのロングテール分布による厳しいトレーニングバイアスに悩まされている。本稿では,特徴表現学習と分類器を別の最適化方法で切り離してバイアス決定境界を効果的にシフトする,新しいデカップリング最適化フレームワークを提案する。
論文参考訳（メタデータ） (2024-01-13T04:16:40Z)
AutoMix: Automatically Mixing Language Models [62.51238143437967]
大規模言語モデル(LLM)は、さまざまなサイズと構成のクラウドAPIプロバイダから利用可能になった。より小さなLMからの出力の近似精度に基づいて,クエリを大規模LMに戦略的にルーティングする手法であるAutomixを提案する。
論文参考訳（メタデータ） (2023-10-19T17:57:39Z)
PredictChain: Empowering Collaboration and Data Accessibility for AI in a Decentralized Blockchain-based Marketplace [1.4364491422470593]
予測機械学習モデルのためのブロックチェーンベースのマーケットプレース"PredictChain"を提案する。このマーケットプレースは、予測機械学習モデルをトレーニングするためのデータセットのアップロード、以前にアップロードされたデータセットの要求モデルトレーニング、トレーニングされたモデルへのクエリの提出を可能にする。
論文参考訳（メタデータ） (2023-07-27T19:56:18Z)
How Can We Train Deep Learning Models Across Clouds and Continents? An Experimental Study [57.97785297481162]
代表的なCV, NLP, ASRモデルに対して, 異なるゾーン, 大陸, 雲におけるトレーニングの費用とスループットについて検討した。スポット価格を活用することで、複数の安価なインスタンスでモデルをトレーニングし、より集中的かつ強力なハードウェアと、競争力のある価格でオンデマンドのクラウド製品の両方を台無しにする、新たなコスト効率の方法が実現されることを示す。
論文参考訳（メタデータ） (2023-06-05T18:17:37Z)
Cheaply Evaluating Inference Efficiency Metrics for Autoregressive Transformer APIs [66.30706841821123]
大規模言語モデル(LLM)は、自然言語処理において多くの最先端システムに電力を供給する。 LLMは、推論時でさえ非常に計算コストが高い。モデル間での推論効率を比較するための新しい指標を提案する。
論文参考訳（メタデータ） (2023-05-03T21:51:42Z)
Deep Calibration With Artificial Neural Network: A Performance Comparison on Option Pricing Models [0.0]
我々は2つのよく知られたGARCH型オプション価格モデルのパラメータを校正するためにANNを構築した。我々はモンテカルロシミュレーション(MCS)法で生成されたデータセットを用いてANNを訓練し、最適なパラメータをキャリブレーションする。その結果、ANNアプローチはMCSを一貫して上回り、訓練後より高速な計算時間を生かしていることがわかった。
論文参考訳（メタデータ） (2023-03-15T16:57:10Z)
Fallen Angel Bonds Investment and Bankruptcy Predictions Using Manual Models and Automated Machine Learning [0.0]
私たちは、倒産を予測できる最適な機械学習モデルを作成しました。モデルは、当初のデータセット上での破産をうまく予測しなかった。しかし、過剰サンプリングされた機能選択データセットは、非常によく機能しました。
論文参考訳（メタデータ） (2022-12-07T04:39:49Z)
Analyzing Machine Learning Models for Credit Scoring with Explainable AI and Optimizing Investment Decisions [0.0]
本稿では、説明可能なAI(XAI)の実践に関連する2つの異なる質問について検討する。この研究では、単一分類器(論理回帰、決定木、LDA、QDA)、異種アンサンブル(AdaBoost、ランダムフォレスト)、シーケンシャルニューラルネットワークなど、さまざまな機械学習モデルを比較した。 LIMEとSHAPの2つの高度なポストホックモデル説明可能性技術を用いて、MLベースのクレジットスコアリングモデルを評価する。
論文参考訳（メタデータ） (2022-09-19T21:44:42Z)
Incremental Online Learning Algorithms Comparison for Gesture and Visual Smart Sensors [68.8204255655161]
本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
論文参考訳（メタデータ） (2022-09-01T17:05:20Z)
Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文参考訳（メタデータ） (2021-06-17T17:26:31Z)

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。