Fugu-MT 論文翻訳(概要): Joint Estimation of Conditional Mean and Covariance for Unbalanced Panels

論文の概要: Joint Estimation of Conditional Mean and Covariance for Unbalanced Panels

arxiv url: http://arxiv.org/abs/2410.21858v1
Date: Tue, 29 Oct 2024 08:42:22 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-28 17:07:41.767421
Title: Joint Estimation of Conditional Mean and Covariance for Unbalanced Panels
Title（参考訳）: 不均衡パネルの条件平均と共分散の連成推定
Authors: Damir Filipovic, Paul Schneider,
Abstract要約: 本研究では,大きな不均衡パネルに対する断面条件平均と共分散行列の非パラメトリックカーネルベース推定器を提案する。一貫性を示し、有限サンプル保証を提供します。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a novel nonparametric kernel-based estimator of cross-sectional conditional mean and covariance matrices for large unbalanced panels. We show its consistency and provide finite-sample guarantees. In an empirical application, we estimate conditional mean and covariance matrices for a large unbalanced panel of monthly stock excess returns given macroeconomic and firm-specific covariates from 1962 to 2021.The estimator performs well with respect to statistical measures. It is informative for empirical asset pricing, generating conditional mean-variance efficient portfolios with substantial out-of-sample Sharpe ratios far beyond equal-weighted benchmarks.
Abstract（参考訳）: 本研究では,大きな不均衡パネルに対する断面条件平均と共分散行列の非パラメトリックカーネルベース推定器を提案する。一貫性を示し、有限サンプル保証を提供します。経験的応用として,1962年から2021年までのマクロ経済・企業特化共変量による月次過剰リターンの非均衡パネルの条件平均と共分散行列を推定する。経験的資産価格では有益であり、条件付き平均分散効率の良いポートフォリオを生成し、サンプル外シャープ比は等重量ベンチマークをはるかに超えている。

関連論文リスト

Rectifying Conformity Scores for Better Conditional Coverage [75.73184036344908]
本稿では,分割共形予測フレームワーク内で信頼セットを生成する新しい手法を提案する。本手法は,任意の適合度スコアのトレーニング可能な変換を行い,条件付き範囲を正確に確保しつつ,条件付き範囲を改善する。
論文参考訳（メタデータ） (2025-02-22T19:54:14Z)
Benign Overfitting in Out-of-Distribution Generalization of Linear Models [19.203753135860016]
我々は、アウト・オブ・ディストリビューション(OOD)体制における良心過剰の理解に向けて、最初の一歩を踏み出した。我々は、標準的な隆起回帰において良性過剰適合が生じることを証明する非漸近保証を提供する。また、より一般的な目標共分散行列の族についても理論的結果を示す。
論文参考訳（メタデータ） (2024-12-19T02:47:39Z)
Bridging Fairness Gaps: A (Conditional) Distance Covariance Perspective in Fairness Learning [0.0]
距離共分散統計を選択的に利用することにより、統計的観点から公平性ギャップを橋渡しする。我々は、機械学習プロセスにサンプル(条件付き)距離共分散を管理可能なペナルティ項として組み込むことにより、公平性を高める。
論文参考訳（メタデータ） (2024-12-01T08:01:19Z)
Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
論文参考訳（メタデータ） (2024-07-01T20:44:48Z)
Contextual Optimization under Covariate Shift: A Robust Approach by Intersecting Wasserstein Balls [18.047245099229325]
2つのワッサーシュタイン球の交叉によって設定されたあいまいさを利用する分布的ロバストなアプローチを提案する。提案したモデルの強烈な経験的性能を実証する。
論文参考訳（メタデータ） (2024-06-04T15:46:41Z)
Portfolio Optimization with Robust Covariance and Conditional Value-at-Risk Constraints [0.0]
各種のLedoit Shrinkage CovarianceおよびRobust Gerber CovarianceMatrixを用いた大容量ポートフォリオの性能評価を行った。堅牢性評価は、特に強気相場で、市場資本化の重み付けされたベンチマークポートフォリオを上回る可能性がある。我々は最適化アルゴリズムに教師なしクラスタリングアルゴリズムK平均を組み込んだ。
論文参考訳（メタデータ） (2024-06-02T03:50:20Z)
A Geometric Unification of Distributionally Robust Covariance Estimators: Shrinking the Spectrum by Inflating the Ambiguity Set [20.166217494056916]
制約的な仮定を課さずに共分散推定器を構築するための原理的手法を提案する。頑健な推定器は効率的に計算可能で一貫したものであることを示す。合成および実データに基づく数値実験により、我々の頑健な推定器は最先端の推定器と競合していることが示された。
論文参考訳（メタデータ） (2024-05-30T15:01:18Z)
Kernel-based optimally weighted conformal prediction intervals [12.814084012624916]
カーネルを用いた最適重み付き等角予測区間(KOWCPI)を提案する。 KOWCPIは、古典的なReweighted Nadaraya-Watson (RNW) 推定器を、依存データに対する量子レグレッションに適応させる。実時間時系列におけるKOWCPIの最先端手法に対する優れた性能を示す。
論文参考訳（メタデータ） (2024-05-27T04:49:41Z)
Sparse PCA with Oracle Property [115.72363972222622]
新規な正規化を伴うスパースPCAの半定緩和に基づく推定器群を提案する。我々は、家族内の別の推定器が、スパースPCAの標準半定緩和よりも、より急激な収束率を達成することを証明した。
論文参考訳（メタデータ） (2023-12-28T02:52:54Z)
Forecasting Large Realized Covariance Matrices: The Benefits of Factor Models and Shrinkage [1.0323063834827415]
我々は、標準のファームレベル因子を用いてリターン共分散行列を分解し、残差共分散行列のセクシャル制限を用いる。提案手法は,標準ベンチマークと比較して精度が向上し,最小分散ポートフォリオの推定精度が向上する。
論文参考訳（メタデータ） (2023-03-22T16:38:22Z)
Robustifying Markowitz [3.154269505086154]
金融時系列のヘビーテール特性は、実際にはこれらの重みの不安定な変動の原因である。我々は,世界最小のMarkowitzポートフォリオのコストと重みを安定化するためのツールボックスを提案する。我々は、ロバスト化されたポートフォリオが縮小ベースのポートフォリオや制約されたポートフォリオよりも低いターンオーバーに達することを実証した。
論文参考訳（メタデータ） (2022-12-28T18:09:14Z)
A Unified Framework for Multi-distribution Density Ratio Estimation [101.67420298343512]
バイナリ密度比推定(DRE)は多くの最先端の機械学習アルゴリズムの基礎を提供する。ブレグマン最小化の発散の観点から一般的な枠組みを開発する。我々のフレームワークはバイナリDREでそれらのフレームワークを厳格に一般化する手法に導かれることを示す。
論文参考訳（メタデータ） (2021-12-07T01:23:20Z)
Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap [140.98628848491146]
推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。特に,この手法が標準正規化の魅力的な代替となることを示す。
論文参考訳（メタデータ） (2021-04-12T18:50:11Z)
Comparing Probability Distributions with Conditional Transport [63.11403041984197]
新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。 ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
論文参考訳（メタデータ） (2020-12-28T05:14:22Z)
Beyond Individual and Group Fairness [90.4666341812857]
本稿では,不公平な不公平な苦情に導かれる公平さの新しいデータ駆動モデルを提案する。我々のモデルは、複数のフェアネス基準をサポートし、それらの潜在的な不整合を考慮に入れている。
論文参考訳（メタデータ） (2020-08-21T14:14:44Z)
Machine learning for causal inference: on the use of cross-fit estimators [77.34726150561087]
より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
論文参考訳（メタデータ） (2020-04-21T23:09:55Z)
GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。結果として得られるアルゴリズム、GenDICEは単純で効果的である。
論文参考訳（メタデータ） (2020-02-21T00:27:52Z)

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。