Fugu-MT 論文翻訳(概要): COMEX Copper Futures Volatility Forecasting: Econometric Models and Deep Learning

論文の概要: COMEX Copper Futures Volatility Forecasting: Econometric Models and Deep Learning

arxiv url: http://arxiv.org/abs/2409.08356v1
Date: Thu, 12 Sep 2024 18:44:31 GMT
ステータス: 処理完了
システム内更新日: 2024-09-16 18:37:11.436931
Title: COMEX Copper Futures Volatility Forecasting: Econometric Models and Deep Learning
Title（参考訳）: COMEX銅がボラティリティ予測を推し進める - 計量モデルとディープラーニング
Authors: Zian Wang, Xinyi Lu,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 5.459325230078567
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper investigates the forecasting performance of COMEX copper futures realized volatility across various high-frequency intervals using both econometric volatility models and deep learning recurrent neural network models. The econometric models considered are GARCH and HAR, while the deep learning models include RNN (Recurrent Neural Network), LSTM (Long Short-Term Memory), and GRU (Gated Recurrent Unit). In forecasting daily realized volatility for COMEX copper futures with a rolling window approach, the econometric models, particularly HAR, outperform recurrent neural networks overall, with HAR achieving the lowest QLIKE loss function value. However, when the data is replaced with hourly high-frequency realized volatility, the deep learning models outperform the GARCH model, and HAR attains a comparable QLIKE loss function value. Despite the black-box nature of machine learning models, the deep learning models demonstrate superior forecasting performance, surpassing the fixed QLIKE value of HAR in the experiment. Moreover, as the forecast horizon extends for daily realized volatility, deep learning models gradually close the performance gap with the GARCH model in certain loss function metrics. Nonetheless, HAR remains the most effective model overall for daily realized volatility forecasting in copper futures.
Abstract（参考訳）: 本稿では,様々な高周波数間隔におけるCOMEX銅先物の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。検討対象のeconometric modelはGARCHとHARであり、ディープラーニングモデルにはRNN(Recurrent Neural Network)、LSTM(Long Short-Term Memory)、GRU(Gated Recurrent Unit)がある。 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、QLIKE損失関数の最小値を達成するとともに、全体の再帰ニューラルネットワークを上回った。しかし、データが時間ごとの高周波化ボラティリティに置き換えられると、ディープラーニングモデルはGARCHモデルより優れ、HARは同等のQLIKE損失関数値を得る。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。さらに、予測地平線が日々実現されるボラティリティのために広がるにつれて、ディープラーニングモデルは、特定の損失関数のメトリクスにおいて、GARCHモデルとパフォーマンスギャップを徐々に閉じる。それでも、HARは銅先物における日々のボラティリティ予測において、全体として最も効果的なモデルである。

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)
Loss-based Bayesian Sequential Prediction of Value at Risk with a Long-Memory and Non-linear Realized Volatility Model [3.00982257854028]
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。
論文参考訳（メタデータ） (2024-08-24T14:17:31Z)
An Evaluation of Deep Learning Models for Stock Market Trend Prediction [0.3277163122167433]
本研究では,S&P 500指数とブラジルETF EWZの日時閉値を用いた短期トレンド予測のための先進的なディープラーニングモデルの有効性について検討した。時系列予測に最適化されたxLSTM適応であるxLSTM-TSモデルを導入する。テストされたモデルの中で、xLSTM-TSは一貫して他のモデルよりも優れており、例えば、テスト精度72.82%、F1スコア73.16%をEWZの日次データセットで達成している。
論文参考訳（メタデータ） (2024-08-22T13:58:55Z)
Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
論文参考訳（メタデータ） (2023-07-25T14:09:53Z)
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)
Forex Trading Volatility Prediction using Neural Network Models [6.09960572440709]
本研究では,日々のボラティリティに関する経験的パターンのガイダンスを用いて,ディープラーニングネットワークの構築方法について述べる。数値計算の結果,多値ペアの入力によるマルチスケール長短期メモリ(LSTM)モデルが常に最先端の精度を実現していることがわかった。
論文参考訳（メタデータ） (2021-12-02T12:33:12Z)
Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文参考訳（メタデータ） (2021-06-25T22:08:51Z)
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)
Learning representations with end-to-end models for improved remaining useful life prognostics [64.80885001058572]
残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
論文参考訳（メタデータ） (2021-04-11T16:45:18Z)
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。