Fugu-MT 論文翻訳(概要): Conservative Predictions on Noisy Financial Data

論文の概要: Conservative Predictions on Noisy Financial Data

arxiv url: http://arxiv.org/abs/2310.11815v1
Date: Wed, 18 Oct 2023 09:14:19 GMT
ステータス: 処理完了
システム内更新日: 2023-10-19 17:19:24.986609
Title: Conservative Predictions on Noisy Financial Data
Title（参考訳）: うるさい金融データに対する保守的予測
Authors: Omkar Nabar, Gautam Shroff
Abstract要約: 金融市場の価格変動は、非常に騒々しいことがよく知られている。従来のルール学習技術は、高精度なルールのみを求め、先行者が適用されない予測を控えるものだった。我々は、モデルが不確実であるデータポイントの予測を控える、同様のアプローチを適用する。
参考スコア（独自算出の注目度）: 6.300716661852326
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Price movements in financial markets are well known to be very noisy. As a result, even if there are, on occasion, exploitable patterns that could be picked up by machine-learning algorithms, these are obscured by feature and label noise rendering the predictions less useful, and risky in practice. Traditional rule-learning techniques developed for noisy data, such as CN2, would seek only high precision rules and refrain from making predictions where their antecedents did not apply. We apply a similar approach, where a model abstains from making a prediction on data points that it is uncertain on. During training, a cascade of such models are learned in sequence, similar to rule lists, with each model being trained only on data on which the previous model(s) were uncertain. Similar pruning of data takes place at test-time, with (higher accuracy) predictions being made albeit only on a fraction (support) of test-time data. In a financial prediction setting, such an approach allows decisions to be taken only when the ensemble model is confident, thereby reducing risk. We present results using traditional MLPs as well as differentiable decision trees, on synthetic data as well as real financial market data, to predict fixed-term returns using commonly used features. We submit that our approach is likely to result in better overall returns at a lower level of risk. In this context we introduce an utility metric to measure the average gain per trade, as well as the return adjusted for downside risk, both of which are improved significantly by our approach.
Abstract（参考訳）: 金融市場の価格変動は非常に騒々しいことが知られている。結果として、たとえ機械学習アルゴリズムによって拾える悪用可能なパターンがあったとしても、これらは特徴やラベルのノイズによって曖昧にされ、予測があまり有用でなく、実際は危険である。 cn2などのノイズデータのための従来のルール学習技術は、高精度なルールのみを求め、先行者が適用しない予測を控える。我々は、モデルが不確実であるデータポイントの予測を控える、同様のアプローチを適用する。トレーニング中、これらのモデルのカスケードはルールリストに似た順序で学習され、各モデルは前のモデルが不確かだったデータに基づいてのみ訓練される。同様のデータのプルーニングはテスト時に行われ、(より精度の高い)予測はテスト時間データのほんの一部(サポート)でのみ行われる。金融予測設定では、このようなアプローチにより、アンサンブルモデルが信頼されている場合にのみ決定を下すことができ、リスクを低減できる。本稿では,従来のMLPと相違可能な決定木を用いて,合成データと実際の金融市場データを用いて,一般的な特徴を用いた定期リターンの予測を行う。当社のアプローチはリスクの低いレベルで全体のリターンが向上する可能性が高いと提案します。この文脈では、貿易当たりの平均利得を測定するための実用的指標と、ダウンサイドリスクのために調整されたリターンを導入し、どちらも我々のアプローチによって大幅に改善される。

関連論文リスト

Enhancing Mean-Reverting Time Series Prediction with Gaussian Processes: Functional and Augmented Data Structures in Financial Forecasting [0.0]
本稿では,ガウス過程(GP)を基礎構造を持つ平均回帰時系列の予測に適用する。 GPは、平均予測だけでなく、将来の軌道上の確率分布全体を予測する可能性を提供する。これは、不正なボラティリティ評価が資本損失につながる場合、正確な予測だけでは十分でない金融状況において特に有益である。
論文参考訳（メタデータ） (2024-02-23T06:09:45Z)
Best of Many in Both Worlds: Online Resource Allocation with Predictions under Unknown Arrival Model [16.466711636334587]
オンライン意思決定者は、到着や要求など、将来の変数に関する予測を得ることが多い。意思決定者にとって予測精度は未知であるため、予測に盲目的に追従することは有害である。我々は未知の予測精度に頑健な方法で予測を利用するアルゴリズムを開発した。
論文参考訳（メタデータ） (2024-02-21T04:57:32Z)
Distribution-free risk assessment of regression-based machine learning algorithms [6.507711025292814]
我々は回帰アルゴリズムとモデル予測の周囲に定義された区間内に存在する真のラベルの確率を計算するリスク評価タスクに焦点をあてる。そこで,本研究では,正のラベルを所定の確率で含むことが保証される予測区間を提供する共形予測手法を用いてリスク評価問題を解決する。
論文参考訳（メタデータ） (2023-10-05T13:57:24Z)
Feature Selection with Annealing for Forecasting Financial Time Series [2.44755919161855]
本研究では,機械学習(ML)モデルを用いた戦術的入力出力特徴マッピング技術に基づいて,財務時系列を総合的に予測する手法を提案する。実験の結果,FSAアルゴリズムは問題の種類に関わらず,MLモデルの性能を向上することが示された。
論文参考訳（メタデータ） (2023-03-03T21:33:38Z)
DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文参考訳（メタデータ） (2022-09-23T16:13:47Z)
Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文参考訳（メタデータ） (2022-01-11T23:01:12Z)
Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文参考訳（メタデータ） (2021-07-05T12:44:39Z)
Quantifying sources of uncertainty in drug discovery predictions with probabilistic models [0.0]
予測の不確実性を知ることは、高価な投資決定を行い、患者の安全が最重要である場合に重要である。薬物発見における機械学習(ML)モデルは、通常、単一の最良の見積もりのみを提供し、不確実性のすべての源を無視します。確率的予測モデル(PPM)は、データとモデルの両方に不確実性を取り入れ、予測値の分布を返すことができる。
論文参考訳（メタデータ） (2021-05-18T18:54:54Z)
SLOE: A Faster Method for Statistical Inference in High-Dimensional Logistic Regression [68.66245730450915]
実用データセットに対する予測の偏見を回避し、頻繁な不確実性を推定する改善された手法を開発している。私たちの主な貢献は、推定と推論の計算時間をマグニチュードの順序で短縮する収束保証付き信号強度の推定器SLOEです。
論文参考訳（メタデータ） (2021-03-23T17:48:56Z)
Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文参考訳（メタデータ） (2020-06-26T13:50:19Z)
Super-App Behavioral Patterns in Credit Risk Models: Financial, Statistical and Regulatory Implications [110.54266632357673]
従来の官僚データとは対照的に、アプリベースのマーケットプレースから派生した代替データが信用スコアモデルに与える影響を提示する。 2つの国にまたがって検証した結果、これらの新たなデータソースは、低体重者や若年者における金融行動を予測するのに特に有用であることが示された。
論文参考訳（メタデータ） (2020-05-09T01:32:03Z)

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。