論文の概要: Loss-based Bayesian Sequential Prediction of Value at Risk with a Long-Memory and Non-linear Realized Volatility Model

• arxiv url: http://arxiv.org/abs/2408.13588v1
• Date: Sat, 24 Aug 2024 14:17:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-27 18:59:33.825986
• Title: Loss-based Bayesian Sequential Prediction of Value at Risk with a Long-Memory and Non-linear Realized Volatility Model
• Title（参考訳）: 長期・非線形実効ボラティリティモデルによるリスク値の損失に基づくベイズ系列予測
• Authors: Rangika Peiris, Minh-Ngoc Tran, Chao Wang, Richard Gerlach,
• Abstract要約: リスク予測(VaR)には,長期記憶と非線形実現ボラティリティモデルクラスが提案されている。 このモデルはRNN-HARと呼ばれ、異種自己回帰(HAR)モデルを拡張している。 連続モンテカルロによる損失に基づく一般化ベイズ予想は、モデル推定と逐次予測に使用される。
• 参考スコア（独自算出の注目度）: 3.00982257854028
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A long memory and non-linear realized volatility model class is proposed for direct Value at Risk (VaR) forecasting. This model, referred to as RNN-HAR, extends the heterogeneous autoregressive (HAR) model, a framework known for efficiently capturing long memory in realized measures, by integrating a Recurrent Neural Network (RNN) to handle non-linear dynamics. Loss-based generalized Bayesian inference with Sequential Monte Carlo is employed for model estimation and sequential prediction in RNN HAR. The empirical analysis is conducted using daily closing prices and realized measures from 2000 to 2022 across 31 market indices. The proposed models one step ahead VaR forecasting performance is compared against a basic HAR model and its extensions. The results demonstrate that the proposed RNN-HAR model consistently outperforms all other models considered in the study.
• Abstract（参考訳）: リスク・アット・リスク(VaR)の予測には,長期記憶と非線形実現ボラティリティモデルクラスが提案されている。 RNN-HARと呼ばれるこのモデルは、リカレントニューラルネットワーク(Recurrent Neural Network, RNN)を統合して非線形力学を扱うことで、実現された測定において、長いメモリを効率的にキャプチャするフレームワークであるヘテロジニアス自己回帰(HAR)モデルを拡張している。 RNN HARのモデル推定と逐次予測には,損失に基づくモンテカルロを用いた一般化ベイズ推定を用いる。 実証分析は、日替わり価格を用いて実施され、2000年から2022年にかけて31の市場指標で実施された。 提案したモデルでは,VaR予測性能を基本HARモデルとその拡張と比較する。 その結果、提案したRNN-HARモデルは、この研究で考慮された他のモデルよりも一貫して優れていることが示された。

関連論文リスト

• A Dynamic Approach to Stock Price Prediction: Comparing RNN and Mixture of Experts Models Across Different Volatility Profiles [0.0]
  MoEフレームワークは揮発性株のRNNと安定株の線形モデルを組み合わせて、ゲーティングネットワークを介して各モデルの重量を動的に調整する。 その結果,MoE法は様々な変動性プロファイルの予測精度を著しく向上させることがわかった。 MoEモデルの適応性は個々のモデルよりも優れており、Mean Squared Error(MSE)やMean Absolute Error(MAE)などのエラーを減らすことができる。
  論文  参考訳（メタデータ） (2024-10-04T14:36:21Z)
• GARCH-Informed Neural Networks for Volatility Prediction in Financial Markets [0.0]
  マーケットのボラティリティを計測し、予測する新しいハイブリッドなDeep Learningモデルを提案する。 他の時系列モデルと比較すると、GINNは決定係数(R2$)、平均正方形誤差(MSE)、平均絶対誤差(MAE)の点で優れたサンプル外予測性能を示した。
  論文  参考訳（メタデータ） (2024-09-30T23:53:54Z)
• COMEX Copper Futures Volatility Forecasting: Econometric Models and Deep Learning [5.459325230078567]
  本稿では, COMEX銅先物におけるボラティリティの予測性能について, エコノメトリのボラティリティモデルとディープラーニングのリカレントニューラルネットワークモデルの両方を用いて検討する。 COMEX銅先物の毎日のボラティリティをローリングウインドウアプローチで予測する際、計量モデル、特にHARは、全体のリカレントニューラルネットワークを上回った。 機械学習モデルのブラックボックスの性質にもかかわらず、ディープラーニングモデルはより優れた予測性能を示し、実験においてHARの固定QLIKE値を上回っている。
  論文  参考訳（メタデータ） (2024-09-12T18:44:31Z)
• Utilizing Multiple Inputs Autoregressive Models for Bearing Remaining Useful Life Prediction [3.448070371030467]
  軸受のRUL予測において,この課題に対処する新しい多入力自己回帰モデルを提案する。 自己回帰反復により、モデルはグローバルな受容場を獲得し、一般化の限界を効果的に克服する。 PMH2012データセットの実証評価では, 同様の自己回帰アプローチを用いたバックボーンネットワークと比較して, ルート平均角誤差(RMSE)とスコアが有意に低いことが示されている。
  論文  参考訳（メタデータ） (2023-11-26T09:50:32Z)
• Consensus-Adaptive RANSAC [104.87576373187426]
  本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。 注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
  論文  参考訳（メタデータ） (2023-07-26T08:25:46Z)
• Dynamic Term Structure Models with Nonlinearities using Gaussian Processes [0.0]
  本稿では,ガウス型DTSMの一般化されたモデリング構成を提案する。 我々は,モデル非線形性に先立ってガウス過程を導入する,独自の連続モンテカルロ推定および予測スキームを構築した。 実際の経済活動とは異なり、コアインフレーションの場合、線形モデルと比較すると、非線形モデルの適用は、考慮された成熟度全体にわたる経済的価値の統計的に有意な上昇をもたらすことが分かる。
  論文  参考訳（メタデータ） (2023-05-18T14:24:17Z)
• Time varying regression with hidden linear dynamics [74.9914602730208]
  線形力学系に従って未知のパラメータが進化することを前提とした時間変化線形回帰モデルを再検討する。 反対に、基礎となる力学が安定である場合、このモデルのパラメータは2つの通常の最小二乗推定と組み合わせることで、データから推定できることが示される。
  論文  参考訳（メタデータ） (2021-12-29T23:37:06Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• Autoregressive Dynamics Models for Offline Policy Evaluation and Optimization [60.73540999409032]
  表現的自己回帰ダイナミクスモデルが次の状態の異なる次元を生成し、以前の次元で順次条件付きで報酬を得ることを示す。 また,リプレイバッファを充実させる手段として,自己回帰的ダイナミクスモデルがオフラインポリシー最適化に有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-28T16:48:44Z)
• 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)

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。