論文の概要: Generating drawdown-realistic financial price paths using path
signatures
- arxiv url: http://arxiv.org/abs/2309.04507v1
- Date: Fri, 8 Sep 2023 10:06:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-12 17:56:50.667344
- Title: Generating drawdown-realistic financial price paths using path
signatures
- Title(参考訳): 経路シグネチャを用いた減価-現実的金融価格経路の生成
- Authors: Emiel Lemahieu, Kris Boudt, Maarten Wyns
- Abstract要約: 本稿では,金融価格データのシーケンスを定量的に近似したドローダウンでシミュレーションするための,新しい生成機械学習手法を提案する。
我々は、変分自己エンコーダ生成モデルと縮小再構成損失関数を組み合わせた非自明なモンテカルロアプローチを提唱する。
我々は、混合株式、債券、不動産、商品ポートフォリオに関する数値実験で締めくくった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A novel generative machine learning approach for the simulation of sequences
of financial price data with drawdowns quantifiably close to empirical data is
introduced. Applications such as pricing drawdown insurance options or
developing portfolio drawdown control strategies call for a host of
drawdown-realistic paths. Historical scenarios may be insufficient to
effectively train and backtest the strategy, while standard parametric Monte
Carlo does not adequately preserve drawdowns. We advocate a non-parametric
Monte Carlo approach combining a variational autoencoder generative model with
a drawdown reconstruction loss function. To overcome issues of numerical
complexity and non-differentiability, we approximate drawdown as a linear
function of the moments of the path, known in the literature as path
signatures. We prove the required regularity of drawdown function and
consistency of the approximation. Furthermore, we obtain close numerical
approximations using linear regression for fractional Brownian and empirical
data. We argue that linear combinations of the moments of a path yield a
mathematically non-trivial smoothing of the drawdown function, which gives one
leeway to simulate drawdown-realistic price paths by including drawdown
evaluation metrics in the learning objective. We conclude with numerical
experiments on mixed equity, bond, real estate and commodity portfolios and
obtain a host of drawdown-realistic paths.
- Abstract(参考訳): 経験的データに近いデップダウンを伴う金融価格データのシーケンスをシミュレーションするための新しい生成的機械学習手法を提案する。
価格引下げ保険オプションやポートフォリオ引下げ管理戦略の開発のようなアプリケーションは、多くの引下げ現実的なパスを要求する。
歴史的シナリオは戦略を効果的に訓練し、バックテストするには不十分であり、標準的なパラメトリックモンテカルロは引き落としを適切に保存していない。
我々は,変分オートエンコーダ生成モデルとドローダウン復元損失関数を組み合わせた非パラメトリックモンテカルロ手法を提案する。
数値複雑性と非微分可能性の問題を克服するため、文献で知られている経路のモーメントの線形関数としてドローダウンを近似した。
ドローダウン関数の要求正則性と近似の整合性を証明する。
さらに,分数ブラウンおよび経験データに対する線形回帰を用いた近接数値近似を求める。
経路のモーメントの線形結合は、数学的に非自明なドローダウン関数の平滑化をもたらし、学習目的にドローダウン評価指標を組み込むことでドローダウン現実価格経路をシミュレートする手段を与える。
最後に、株式、債券、不動産および商品ポートフォリオの混合に関する数値実験を行い、多くのデットダウン現実主義的経路を得る。
関連論文リスト
- Randomized Signature Methods in Optimal Portfolio Selection [2.6490401904186758]
非線型非パラメトリックドリフト推定におけるランダム化符号法の適用に関する実証実験結果を示す。
ここではランダム化署名の理論に貢献するのではなく、実際の市場データや取引コストを含む現実の環境でのポートフォリオ選択に関する実証的な知見を提示する。
論文 参考訳(メタデータ) (2023-12-27T07:27:00Z) - An Offline Learning Approach to Propagator Models [3.1755820123640612]
まず、静的データセットから未知の価格影響カーネルを推定するエージェントに対して、オフラインで学習する問題を考察する。
本稿では,価格トラジェクトリ,トレーディング信号,メタオーダーを含むデータセットからプロパゲータを非パラメトリックに推定する手法を提案する。
提案手法では,提案手法を純粋に活用することで,実行コストを最小化しようとするトレーダーが準最適に遭遇することを示す。
論文 参考訳(メタデータ) (2023-09-06T13:36:43Z) - Reinforcement Learning for Financial Index Tracking [0.4297070083645049]
本稿では、回帰ベースのトラッキングエラーと値ベースのトラッキングエラーの両方の下で、金融指標追跡問題の最初の離散時間無限水平動的定式化を提案する。
提案手法は, 追跡精度でベンチマーク手法を上回り, キャッシュ引き出し戦略により余剰利益を得る可能性がある。
論文 参考訳(メタデータ) (2023-08-05T08:34:52Z) - A Tale of Sampling and Estimation in Discounted Reinforcement Learning [50.43256303670011]
割引平均推定問題に対して最小値の最小値を求める。
マルコフ過程の割引されたカーネルから直接サンプリングすることで平均を推定すると、説得力のある統計的性質が得られることを示す。
論文 参考訳(メタデータ) (2023-04-11T09:13:17Z) - Statistical Learning with Sublinear Regret of Propagator Models [2.9628715114493502]
本稿では,未知の畳み込みプロパゲータによって駆動される過渡的な衝撃価格と,未知のパラメータを持つ線形仮的衝撃価格の両方を作成しながら,エージェントが危険資産を清算する学習問題を考察する。
本稿では,探索と搾取を交互に行うトレーディングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-01-12T17:16:27Z) - 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) - Pessimistic Q-Learning for Offline Reinforcement Learning: Towards
Optimal Sample Complexity [51.476337785345436]
有限水平マルコフ決定過程の文脈におけるQ-ラーニングの悲観的変種について検討する。
ほぼ最適サンプル複雑性を実現するために,分散再現型悲観的Q-ラーニングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-02-28T15:39:36Z) - Scalable Marginal Likelihood Estimation for Model Selection in Deep
Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。
本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文 参考訳(メタデータ) (2021-04-11T09:50:24Z) - Minimax-Optimal Off-Policy Evaluation with Linear Function Approximation [49.502277468627035]
本稿では,関数近似を用いたバッチデータ強化学習の統計的理論について検討する。
記録履歴から新たな対象政策の累積値を推定するオフ・ポリティクス評価問題を考察する。
論文 参考訳(メタデータ) (2020-02-21T19:20:57Z) - Confounding-Robust Policy Evaluation in Infinite-Horizon Reinforcement
Learning [70.01650994156797]
教育医療などのバッチ強化学習において、観察データからのシーケンシャルな意思決定方針のオフ・アセスメントが必要である。
我々は、ある政策の境界を推定するアプローチを開発する。
より凝縮したデータを集めることで、シャープな境界への収束を証明します。
論文 参考訳(メタデータ) (2020-02-11T16:18:14Z) - Adaptive Correlated Monte Carlo for Contextual Categorical Sequence
Generation [77.7420231319632]
我々は,モンテカルロ (MC) ロールアウトの集合を分散制御のために評価する政策勾配推定器に,カテゴリー列の文脈的生成を適用する。
また,二分木ソフトマックスモデルに相関したMCロールアウトを用いることで,大語彙シナリオにおける高生成コストを低減できることを示す。
論文 参考訳(メタデータ) (2019-12-31T03:01:55Z)
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。