論文の概要: Pricing Catastrophe Bonds -- A Probabilistic Machine Learning Approach
- arxiv url: http://arxiv.org/abs/2405.00697v1
- Date: Wed, 10 Apr 2024 11:20:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-05 17:54:32.177365
- Title: Pricing Catastrophe Bonds -- A Probabilistic Machine Learning Approach
- Title(参考訳): 価格変動結合 - 確率論的機械学習アプローチ
- Authors: Xiaowei Chen, Hong Li, Yufan Lu, Rui Zhou,
- Abstract要約: 本稿では,一次市場におけるカタストロフィ(CAT)結合の価格設定のための機械学習手法を提案する。
提案手法は、機械学習に基づく予測モデルと、革新的なアルゴリズムであるコンフォーマル予測を組み合わせたものである。
1999年1月から2021年3月までの一次市場CAT社債取引記録から,提案手法はより堅牢であることが判明した。
- 参考スコア(独自算出の注目度): 10.8179271031934
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper proposes a probabilistic machine learning method to price catastrophe (CAT) bonds in the primary market. The proposed method combines machine-learning-based predictive models with Conformal Prediction, an innovative algorithm that generates distribution-free probabilistic forecasts for CAT bond prices. Using primary market CAT bond transaction records between January 1999 and March 2021, the proposed method is found to be more robust and yields more accurate predictions of the bond spreads than traditional regression-based methods. Furthermore, the proposed method generates more informative prediction intervals than linear regression and identifies important nonlinear relationships between various risk factors and bond spreads, suggesting that linear regressions could misestimate the bond spreads. Overall, this paper demonstrates the potential of machine learning methods in improving the pricing of CAT bonds.
- Abstract(参考訳): 本稿では,一次市場におけるカタストロフィ(CAT)結合の価格設定のための確率論的機械学習手法を提案する。
提案手法は、機械学習に基づく予測モデルと、CAT社債価格の分布自由確率予測を生成する革新的なアルゴリズムであるConformal Predictionを組み合わせる。
1999年1月から2021年3月までの一次市場におけるCAT社債取引記録を用いて,提案手法は従来手法よりもより堅牢で,より正確な社債取引の予測が得られた。
さらに, 線形回帰よりも有意な予測区間を生成し, 種々のリスク因子と結合拡散の間の重要な非線形関係を同定し, 線形回帰が結合拡散を誤って推定できることを示唆した。
本稿では,CAT結合の価格改善における機械学習手法の可能性を示す。
関連論文リスト
- On-line conformalized neural networks ensembles for probabilistic forecasting of day-ahead electricity prices [41.94295877935867]
我々はPEPFに対する新しいアプローチを提案し、同型推論に基づく手法を用いて、アートニューラルネットワークのアンサンブルの手法を拡張した。
複数の市場地域で実験が行われ、昼の予測が達成され、時間帯のカバレッジが向上し、安定した確率的スコアが得られた。
論文 参考訳(メタデータ) (2024-04-03T13:22:47Z) - Diffusion Variational Autoencoder for Tackling Stochasticity in
Multi-Step Regression Stock Price Prediction [54.21695754082441]
長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。
多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。
深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。
本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-08-18T16:21:15Z) - Conformal Prediction for Federated Uncertainty Quantification Under
Label Shift [57.54977668978613]
Federated Learning(FL)は、多くのクライアントが協力してモデルをトレーニングする機械学習フレームワークである。
我々は、量子回帰に基づく新しいコンフォメーション予測法を開発し、プライバシー制約を考慮した。
論文 参考訳(メタデータ) (2023-06-08T11:54:58Z) - 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) - A Unified Bayesian Framework for Pricing Catastrophe Bond Derivatives [0.0]
本稿では、カタストロフィと金利の不確実性の定量化に基づく統一ベイズCAT社債価格の枠組みを提案する。
我々の枠組みは、災害のリスクに関する複雑な信念を、災害発生における別々で一般的なパターンを捉えることを可能にする。
災害リスクプロファイルのクラスタリングに対応する各種CATボンド契約の価格と予測されるリスクプリミアを評価した。
論文 参考訳(メタデータ) (2022-05-09T18:45:49Z) - Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics
in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。
最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。
予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文 参考訳(メタデータ) (2022-03-07T18:59:54Z) - Self-Certifying Classification by Linearized Deep Assignment [65.0100925582087]
そこで我々は,PAC-Bayesリスク認定パラダイム内で,グラフ上のメトリックデータを分類するための新しい深層予測器のクラスを提案する。
PAC-Bayesの最近の文献とデータに依存した先行研究に基づいて、この手法は仮説空間上の後続分布の学習を可能にする。
論文 参考訳(メタデータ) (2022-01-26T19:59:14Z) - CC-Cert: A Probabilistic Approach to Certify General Robustness of
Neural Networks [58.29502185344086]
安全クリティカルな機械学習アプリケーションでは、モデルを敵の攻撃から守ることが不可欠である。
意味的に意味のある入力変換に対して、ディープラーニングモデルの証明可能な保証を提供することが重要である。
我々はChernoff-Cramer境界に基づく新しい普遍確率的証明手法を提案する。
論文 参考訳(メタデータ) (2021-09-22T12:46:04Z) - Interpretable ML-driven Strategy for Automated Trading Pattern
Extraction [2.7910505923792646]
金融時系列分析のためのボリュームベースデータ前処理手法を提案する。
手法の性能を評価するために統計的手法を用いる。
提案手法により,金融時系列パターンの分類を成功させることができた。
論文 参考訳(メタデータ) (2021-03-23T09:55:46Z) - Learning from Similarity-Confidence Data [94.94650350944377]
類似度信頼性(Sconf)データから学習する新しい弱監督学習問題について検討する。
本研究では,Sconfデータのみから計算可能な分類リスクの非バイアス推定器を提案し,推定誤差境界が最適収束率を達成することを示す。
論文 参考訳(メタデータ) (2021-02-13T07:31:16Z)
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。