論文の概要: On the Impact of Feeding Cost Risk in Aquaculture Valuation and Decision Making

• arxiv url: http://arxiv.org/abs/2309.02970v1
• Date: Wed, 6 Sep 2023 13:09:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-07 15:37:30.093435
• Title: On the Impact of Feeding Cost Risk in Aquaculture Valuation and Decision Making
• Title（参考訳）: 水産経営評価と意思決定における給餌コストリスクの影響について
• Authors: Christian Oliver Ewald and Kevin Kamm
• Abstract要約: 本研究では,養殖に焦点をあてた動物系商品に対する給餌費の影響について検討した。 我々は大豆先物を用いてサケ飼料の挙動を推定し,シュワルツ2因子モデルに従うと仮定した。 給餌コストを考慮に入れれば、大幅な改善につながるケースと、決定論的給餌コストが十分なプロキシとなるケースを識別する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study the effect of stochastic feeding costs on animal-based commodities with particular focus on aquaculture. More specifically, we use soybean futures to infer on the stochastic behaviour of salmon feed, which we assume to follow a Schwartz-2-factor model. We compare the decision of harvesting salmon using a decision rule assuming either deterministic or stochastic feeding costs, i.e. including feeding cost risk. We identify cases, where accounting for stochastic feeding costs leads to significant improvements as well as cases where deterministic feeding costs are a good enough proxy. Nevertheless, in all of these cases, the newly derived rules show superior performance, while the additional computational costs are negligible. From a methodological point of view, we demonstrate how to use Deep-Neural-Networks to infer on the decision boundary that determines harvesting or continuation, improving on more classical regression-based and curve-fitting methods. To achieve this we use a deep classifier, which not only improves on previous results but also scales well for higher dimensional problems, and in addition mitigates effects due to model uncertainty, which we identify in this article. effects due to model uncertainty, which we identify in this article.
• Abstract（参考訳）: 動物系商品に対する確率的給餌コストの影響について検討し,特に養殖に焦点をあてた。 具体的には,大豆先物を用いてサケ飼料の確率的挙動を推定し,シュワルツ2因子モデルに従うと仮定する。 我々は,サケの収穫決定を決定的又は確率的給餌コスト,すなわち給餌コストのリスクを含む決定規則を用いて比較した。 確率的給餌コストの計算が大幅な改善につながるケースや、決定論的給餌コストが十分な指標となるケースを特定する。 しかしながら、これらすべてのケースにおいて、新たに導出されたルールは優れた性能を示し、追加の計算コストは無視できる。 方法論的な観点からは,収穫や継続を決定する決定境界を推定するために深層神経ネットワークをどのように利用するかを示し,より古典的な回帰ベースおよび曲線フィッティング法を改善した。 これを実現するために,従来の結果の改善だけでなく,高次元問題にも有効にスケールできる深層分類器を用い,モデルの不確実性による影響を軽減し,本論文で確認する。 モデルの不確実性による影響を この記事で確認します

関連論文リスト

• Model-Based Epistemic Variance of Values for Risk-Aware Policy Optimization [59.758009422067]
  モデルベース強化学習における累積報酬に対する不確実性を定量化する問題を考察する。 我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式(UBE)を提案する。 本稿では,リスク・サーキングとリスク・アバース・ポリシー最適化のいずれにも適用可能な汎用ポリシー最適化アルゴリズムQ-Uncertainty Soft Actor-Critic (QU-SAC)を導入する。
  論文  参考訳（メタデータ） (2023-12-07T15:55:58Z)
• Regression with Cost-based Rejection [30.43900105405108]
  本稿では, ある拒絶コストを前提として, モデルがいくつかの例で予測を下方修正できる新たな回帰問題について検討する。 我々はベイズ最適解を導出し、最適モデルが拒絶コストよりも分散が大きい例について予測を下さなければならないことを示す。
  論文  参考訳（メタデータ） (2023-11-08T09:33:21Z)
• Leaving the Nest: Going Beyond Local Loss Functions for Predict-Then-Optimize [57.22851616806617]
  本手法は,文献から得られた4つの領域において,最先端の成果が得られることを示す。 提案手法は, 局所性仮定が破られた場合, 既存手法よりも200%近く性能が向上する。
  論文  参考訳（メタデータ） (2023-05-26T11:17:45Z)
• Model-Based Uncertainty in Value Functions [89.31922008981735]
  MDP上の分布によって引き起こされる値の分散を特徴付けることに重点を置いている。 従来の作業は、いわゆる不確実性ベルマン方程式を解くことで、値よりも後方の分散を境界にしている。 我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式を提案する。
  論文  参考訳（メタデータ） (2023-02-24T09:18:27Z)
• Mining the Factor Zoo: Estimation of Latent Factor Models with Sufficient Proxies [29.737081616352913]
  我々は2つのアプローチを潜在因子モデル推定にブリッジすることを提案する。 我々は、潜在因子モデルの推定を堅牢で、柔軟で、統計的により正確にする。 ボーナスとして、要素数の増加も認められている。
  論文  参考訳（メタデータ） (2022-12-25T03:10:44Z)
• Monotonicity and Double Descent in Uncertainty Estimation with Gaussian Processes [52.92110730286403]
  限界確率はクロスバリデーションの指標を思い起こさせるべきであり、どちらもより大きな入力次元で劣化すべきである、と一般的に信じられている。 我々は,ハイパーパラメータをチューニングすることにより,入力次元と単調に改善できることを証明した。 また、クロスバリデーションの指標は、二重降下の特徴である質的に異なる挙動を示すことも証明した。
  論文  参考訳（メタデータ） (2022-10-14T08:09:33Z)
• On the Pitfalls of Heteroscedastic Uncertainty Estimation with Probabilistic Neural Networks [23.502721524477444]
  このアプローチがいかにして非常に貧弱だが安定な推定に繋がるかを示す合成例を示す。 問題を悪化させる特定の条件とともに、犯人をログライクな損失とみなす。 我々は、損失に対する各データポイントの寄与を、$beta$-exponentiated variance estimateによって重み付けする、$beta$-NLLと呼ばれる別の定式化を提案する。
  論文  参考訳（メタデータ） (2022-03-17T08:46:17Z)
• Weight Pruning and Uncertainty in Radio Galaxy Classification [0.0]
  我々は変分推論を用いて、電波銀河分類のモデル予測における不確かさの程度を定量化する。 個々の実験試料のモデル後部分散のレベルが、電波銀河をラベル付けする際の人間の不確実性と相関していることが示される。
  論文  参考訳（メタデータ） (2021-11-23T05:01:27Z)
• Evaluating Sensitivity to the Stick-Breaking Prior in Bayesian Nonparametrics [85.31247588089686]
  変分ベイズ法はベイズモデルのパラメトリック的および非パラメトリック的側面に対して感性が得られることを示す。 ベイズ感度分析に対する変動的アプローチの理論的および経験的支援を提供する。
  論文  参考訳（メタデータ） (2021-07-08T03:40:18Z)
• To do or not to do: cost-sensitive causal decision-making [3.492636597449942]
  二重因果分類のためのコスト感受性決定境界を導入する。 境界は、プラスおよび負の処置クラスの因果的分類インスタンスが予想因果利益を最大化することを可能にする。 期待因果利益を最大化するための事例をランク付けする期待因果利益ランキングを提案する。
  論文  参考訳（メタデータ） (2021-01-05T08:36:01Z)
• Cost-Sensitive Portfolio Selection via Deep Reinforcement Learning [100.73223416589596]
  深層強化学習を用いたコスト依存型ポートフォリオ選択手法を提案する。 具体的には、価格系列パターンと資産相関の両方を抽出するために、新しい2ストリームポートフォリオポリシーネットワークを考案した。 蓄積したリターンを最大化し、強化学習によるコストの両立を抑えるため、新たなコスト感受性報酬関数が開発された。
  論文  参考訳（メタデータ） (2020-03-06T06:28:17Z)

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。