論文の概要: Deep Generative Modeling for Financial Time Series with Application in
VaR: A Comparative Review
- arxiv url: http://arxiv.org/abs/2401.10370v1
- Date: Thu, 18 Jan 2024 20:35:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-22 17:29:39.870388
- Title: Deep Generative Modeling for Financial Time Series with Application in
VaR: A Comparative Review
- Title（参考訳）: VaRにおけるファイナンシャル時系列の深部生成モデリング : 比較検討
- Authors: Lars Ericson, Xuejun Zhu, Xusi Han, Rao Fu, Shuang Li, Steve Guo, Ping
Hu
- Abstract要約: ヒストリカル・シミュレーション(HS)は、翌日にリスクファクターの予測分布が戻ると、ヒストリカル・ウィンドウにおける日々のリターンの実証的な分布を利用する。
HS, GARCH および CWGAN モデルは, 歴史的USD 収率曲線データと GARCH および CIR プロセスからシミュレーションした追加データの両方で試験される。
研究によると、トップパフォーマンスモデルはHS、GARCH、CWGANモデルである。
- 参考スコア（独自算出の注目度）: 22.52651841623703
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the financial services industry, forecasting the risk factor distribution
conditional on the history and the current market environment is the key to
market risk modeling in general and value at risk (VaR) model in particular. As
one of the most widely adopted VaR models in commercial banks, Historical
simulation (HS) uses the empirical distribution of daily returns in a
historical window as the forecast distribution of risk factor returns in the
next day. The objectives for financial time series generation are to generate
synthetic data paths with good variety, and similar distribution and dynamics
to the original historical data. In this paper, we apply multiple existing deep
generative methods (e.g., CGAN, CWGAN, Diffusion, and Signature WGAN) for
conditional time series generation, and propose and test two new methods for
conditional multi-step time series generation, namely Encoder-Decoder CGAN and
Conditional TimeVAE. Furthermore, we introduce a comprehensive framework with a
set of KPIs to measure the quality of the generated time series for financial
modeling. The KPIs cover distribution distance, autocorrelation and
backtesting. All models (HS, parametric and neural networks) are tested on both
historical USD yield curve data and additional data simulated from GARCH and
CIR processes. The study shows that top performing models are HS, GARCH and
CWGAN models. Future research directions in this area are also discussed.
- Abstract（参考訳）: 金融サービス業界では、歴史と現在の市場環境に基づいてリスクファクタ分布を予測することが、一般に市場リスクモデリングの鍵であり、特にリスクリスク(VaR)モデルである。
商業銀行において最も広く採用されているVaRモデルの1つとして、ヒストリカル・シミュレーション(HS)は、翌日にリスクファクターの予測分布が戻ると、過去の窓口で毎日のリターンの実証的な分布を利用する。
金融時系列生成の目標は、元の履歴データとよく似た分布とダイナミクスを持つ、多様な合成データパスを生成することである。
本稿では,複数の既存深層生成手法(CGAN, CWGAN, Diffusion, Signature WGAN)を条件付き時系列生成に適用し,Encoder-Decoder CGAN と Conditional TimeVAE の2つの条件付きマルチステップ時系列生成手法を提案する。
さらに,金融モデリングのために生成した時系列の品質を測定するために,一連のkpiを用いた包括的フレームワークを提案する。
KPIは分布距離、自己相関、バックテストをカバーする。
すべてのモデル(HS、パラメトリック、ニューラルネットワーク)は、歴史的USD収差曲線データと、GARCHおよびCIRプロセスからシミュレーションされた追加データの両方でテストされる。
研究によると、トップパフォーマンスモデルはHS、GARCH、CWGANモデルである。
今後の研究の方向性についても論じる。
関連論文リスト
- Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。
既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。
本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
論文 参考訳（メタデータ） (2024-11-24T04:56:45Z) - Time-Causal VAE: Robust Financial Time Series Generator [2.765106384328772]
金融時系列データのロバストな生成のための時空間変分自動エンコーダ(TC-VAE)を構築した。
提案手法では,エンコーダとデコーダネットワークに因果制約を課し,実市場時系列から偽生成時系列への因果輸送を確保する。
論文 参考訳（メタデータ） (2024-11-05T09:44:15Z) - Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。
クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。
KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
論文 参考訳（メタデータ） (2023-10-04T07:14:43Z) - TSGM: A Flexible Framework for Generative Modeling of Synthetic Time Series [61.436361263605114]
時系列データは、研究者と産業組織間のデータの共有を妨げるため、しばしば不足または非常に敏感である。
本稿では,合成時系列の生成モデリングのためのオープンソースフレームワークである時系列生成モデリング(TSGM)を紹介する。
論文 参考訳（メタデータ） (2023-05-19T10:11:21Z) - Generating Contextual Load Profiles Using a Conditional Variational
Autoencoder [3.9275220564515743]
本稿では,条件付き可変オートエンコーダ(CVAE)ニューラルネットワークアーキテクチャに基づく,産業顧客および商業顧客における負荷プロファイルの生成モデルについて述べる。
実験により,提案したCVAEモデルは,過去の負荷プロファイルの時間的特徴を捉え,現実的なデータを生成することができることを示した。
論文 参考訳（メタデータ） (2022-09-08T23:12:54Z) - Autoencoding Conditional GAN for Portfolio Allocation Diversification [4.913248451323163]
本稿では,歴史的データの内部傾向を学習する深層生成モデルに基づく自動符号化CGAN(ACGAN)を提案する。
本モデルは,米国と欧州の両市場における実世界のデータセットを用いて評価した。
論文 参考訳（メタデータ） (2022-06-17T04:15:41Z) - Validation Methods for Energy Time Series Scenarios from Deep Generative
Models [55.41644538483948]
一般的なシナリオ生成アプローチでは、データ分散に関する前提なしにシナリオを生成するディープ生成モデル(DGM)を使用する。
エネルギーシナリオ生成文献における現在使われている検証手法の批判的評価を行う。
過去のデータと生成されたデータの両方に4つの検証手法を適用し、検証結果の解釈と、一般的な誤り、落とし穴、検証方法の限界について議論する。
論文 参考訳（メタデータ） (2021-10-27T14:14:25Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳（メタデータ） (2021-01-31T06:49:33Z) - Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。
トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
論文 参考訳（メタデータ） (2020-10-27T17:54:12Z) - Recurrent Conditional Heteroskedasticity [0.0]
本稿では,Recurrent Conditional Heteroskedastic(RECH)モデルと呼ばれる新たな金融変動モデルを提案する。
特に、リカレントニューラルネットワークが支配する補助的決定過程を、従来の条件付きヘテロスケダスティックモデルの条件分散に組み込む。
論文 参考訳（メタデータ） (2020-10-25T08:09:29Z) - A Data-driven Market Simulator for Small Data Environments [0.5872014229110214]
ニューラルネットワークに基づくデータ駆動市場シミュレーションは、金融時系列をモデリングする新しいフレキシブルな方法を公開する。
本稿では,財務時系列のエンコーディングと評価を行う強力な方法として,大まかなパスパースペクティブと擬似変分自動エンコーダフレームワークが組み合わさった方法を示す。
論文 参考訳（メタデータ） (2020-06-21T14:04:21Z)
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。