論文の概要: Multiple Yield Curve Modeling and Forecasting using Deep Learning
- arxiv url: http://arxiv.org/abs/2401.16985v1
- Date: Tue, 30 Jan 2024 13:14:54 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-31 15:22:42.759202
- Title: Multiple Yield Curve Modeling and Forecasting using Deep Learning
- Title(参考訳): ディープラーニングを用いた多重利回り曲線モデリングと予測
- Authors: Ronald Richman, Salvatore Scognamiglio
- Abstract要約: 金融市場のグローバル化によって引き起こされる異なる利回り曲線間の依存構造を学習することを目的としている。
自己アテンション機構と非パラメトリック量子レグレッションを組み合わせることで、我々のモデルは将来の収率の点と間隔の予測を生成する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: This manuscript introduces deep learning models that simultaneously describe
the dynamics of several yield curves. We aim to learn the dependence structure
among the different yield curves induced by the globalization of financial
markets and exploit it to produce more accurate forecasts. By combining the
self-attention mechanism and nonparametric quantile regression, our model
generates both point and interval forecasts of future yields. The architecture
is designed to avoid quantile crossing issues affecting multiple quantile
regression models. Numerical experiments conducted on two different datasets
confirm the effectiveness of our approach. Finally, we explore potential
extensions and enhancements by incorporating deep ensemble methods and transfer
learning mechanisms.
- Abstract(参考訳): 本書では,複数の降伏曲線のダイナミクスを同時に記述したディープラーニングモデルを紹介する。
我々は、金融市場のグローバリゼーションによって引き起こされる異なる利回り曲線間の依存構造を学習し、それを利用してより正確な予測を行う。
自己アテンション機構と非パラメトリック量子化回帰を組み合わせることで,将来の収率のポイントとインターバルの予測を生成できる。
このアーキテクチャは、複数の量子レグレッションモデルに影響を与える量子交差問題を避けるように設計されている。
2つの異なるデータセット上で行った数値実験により,本手法の有効性を確認した。
最後に,深層アンサンブル法と伝達学習機構を取り入れた潜在的拡張と拡張について検討する。
関連論文リスト
- Quantile deep learning models for multi-step ahead time series prediction [0.15833270109954137]
多段階時系列予測のための新しい量子レグレッションディープラーニングフレームワークを提案する。
本稿では,多段階先行時系列予測のためのディープラーニングモデルの実装について述べる。
高いボラティリティと極端な条件下での性能を評価する。
論文 参考訳(メタデータ) (2024-11-24T00:00:10Z) - Dynamic Post-Hoc Neural Ensemblers [55.15643209328513]
本研究では,ニューラルネットワークをアンサンブル手法として活用することを検討する。
低多様性のアンサンブルを学習するリスクを動機として,ベースモデル予測をランダムにドロップすることでモデルの正規化を提案する。
このアプローチはアンサンブル内の多様性を低くし、オーバーフィッティングを減らし、一般化能力を向上させる。
論文 参考訳(メタデータ) (2024-10-06T15:25:39Z) - Learning Long-Horizon Predictions for Quadrotor Dynamics [48.08477275522024]
四元数に対する長軸予測力学を効率的に学習するための鍵となる設計選択について検討する。
逐次モデリング手法は,他のタイプの手法と比較して,合成誤差を最小限に抑える上での優位性を示す。
本稿では,モジュール性の向上を図りながら,学習プロセスをさらに単純化する,疎結合な動的学習手法を提案する。
論文 参考訳(メタデータ) (2024-07-17T19:06:47Z) - Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文 参考訳(メタデータ) (2024-02-19T02:08:09Z) - The Risk of Federated Learning to Skew Fine-Tuning Features and
Underperform Out-of-Distribution Robustness [50.52507648690234]
フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。
3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。
提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
論文 参考訳(メタデータ) (2024-01-25T09:18:51Z) - Structured Radial Basis Function Network: Modelling Diversity for
Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。
構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。
この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文 参考訳(メタデータ) (2023-09-02T01:27:53Z) - Bayesian Additive Main Effects and Multiplicative Interaction Models
using Tensor Regression for Multi-environmental Trials [0.0]
本稿では,複数の因子が表現型予測に与える影響を考慮したベイズテンソル回帰モデルを提案する。
我々は、モデルのパラメータ間で生じる可能性のある識別可能性の問題を解決するための、事前分布のセットを採用する。
我々は2010年から2019年までのアイルランドにおける小麦生産に関する実世界のデータを分析して、我々のモデルの適用性を探る。
論文 参考訳(メタデータ) (2023-01-09T19:54:50Z) - Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。
本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。
次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文 参考訳(メタデータ) (2020-10-25T18:51:15Z) - Bayesian inference of chaotic dynamics by merging data assimilation,
machine learning and expectation-maximization [0.0]
我々は、高次元カオス力学を再構築するために、データ同化と機械学習を組み合わせる方法を示す。
我々は,異なる識別可能性を持つ2つの関連する低次カオスモデルに対して,そのアプローチを数値的および成功裏に検証した。
論文 参考訳(メタデータ) (2020-01-17T12:46:26Z)
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。