論文の概要: Enhancing Risk Assessment in Transformers with Loss-at-Risk Functions
- arxiv url: http://arxiv.org/abs/2411.02558v1
- Date: Mon, 04 Nov 2024 19:44:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-06 15:01:20.193379
- Title: Enhancing Risk Assessment in Transformers with Loss-at-Risk Functions
- Title（参考訳）: リスク・アット・リスク・アセスメントによる変圧器のリスク・アセスメント
- Authors: Jinghan Zhang, Henry Xie, Xinhao Zhang, Kunpeng Liu,
- Abstract要約: 本稿では,リスク・アット・リスク(VaR)と条件値アット・リスク(CVaR)をトランスフォーマーモデルに組み込んだ新たなロス・アット・リスク(Los-at-Risk)を導入する。
この統合により、Transformerモデルは潜在的に極端な損失を認識でき、高い財務上の決定を処理できる能力をさらに改善できる。
我々のロス・アット・リスク機能はトランスフォーマーのリスク予測と管理能力を改善することを実証するために、高度に揮発性のある財務データセットを用いて一連の実験を行った。
- 参考スコア（独自算出の注目度）: 3.2162648244439684
- License:
- Abstract: In the financial field, precise risk assessment tools are essential for decision-making. Recent studies have challenged the notion that traditional network loss functions like Mean Square Error (MSE) are adequate, especially under extreme risk conditions that can lead to significant losses during market upheavals. Transformers and Transformer-based models are now widely used in financial forecasting according to their outstanding performance in time-series-related predictions. However, these models typically lack sensitivity to extreme risks and often underestimate great financial losses. To address this problem, we introduce a novel loss function, the Loss-at-Risk, which incorporates Value at Risk (VaR) and Conditional Value at Risk (CVaR) into Transformer models. This integration allows Transformer models to recognize potential extreme losses and further improves their capability to handle high-stakes financial decisions. Moreover, we conduct a series of experiments with highly volatile financial datasets to demonstrate that our Loss-at-Risk function improves the Transformers' risk prediction and management capabilities without compromising their decision-making accuracy or efficiency. The results demonstrate that integrating risk-aware metrics during training enhances the Transformers' risk assessment capabilities while preserving their core strengths in decision-making and reasoning across diverse scenarios.
- Abstract（参考訳）: 金融分野では、意思決定には正確なリスク評価ツールが不可欠である。
近年の研究では、Mean Square Error (MSE) のような従来のネットワーク損失関数は、特に極端なリスク条件下では、市場の急激な上昇に重大な損失をもたらすという概念に挑戦している。
トランスフォーマーとトランスフォーマーベースのモデルは現在、時系列関連予測における卓越した性能に従って財務予測に広く使われている。
しかしながら、これらのモデルは一般的に極端なリスクに対する感受性を欠き、しばしば大きな損失を過小評価する。
この問題に対処するために,リスク値(VaR)とリスク条件値(CVaR)をトランスフォーマーモデルに組み込んだ新たなロス・アット・リスク(Los-at-Risk)を導入する。
この統合により、Transformerモデルは潜在的に極端な損失を認識でき、高い財務上の決定を処理できる能力をさらに改善できる。
さらに、当社のロス・アット・リスク機能は、意思決定の精度や効率を損なうことなく、トランスフォーマーのリスク予測と管理能力を向上することを示した。
その結果、トレーニング中にリスク対応メトリクスを統合することで、トランスフォーマーのリスク評価能力が向上し、さまざまなシナリオにおける意思決定や推論における中核的な強みが保たれることがわかった。
関連論文リスト
- Enhancing Data Quality through Self-learning on Imbalanced Financial Risk Data [11.910955398918444]
本研究では、既存の金融リスクデータセットを強化するためのデータ前処理手法について検討する。
本稿では,(1)マイノリティクラスに特化された合成サンプルを生成すること,(2)バイナリフィードバックを用いてサンプルを精製すること,(3)擬似ラベルを用いた自己学習を行うこと,の3つを紹介する。
我々の実験は、より堅牢な金融リスク予測システムを開発する上で重要な要素であるマイノリティ・クラス・キャリブレーションの改善に焦点を当てたTriEnhanceの有効性を明らかにした。
論文 参考訳（メタデータ） (2024-09-15T16:59:15Z) - Data-Adaptive Tradeoffs among Multiple Risks in Distribution-Free Prediction [55.77015419028725]
しきい値とトレードオフパラメータが適応的に選択された場合、リスクの有効な制御を可能にする手法を開発する。
提案手法は単調なリスクとほぼ単調なリスクをサポートするが,それ以外は分布的な仮定はしない。
論文 参考訳（メタデータ） (2024-03-28T17:28:06Z) - Model-Based Epistemic Variance of Values for Risk-Aware Policy Optimization [59.758009422067]
モデルベース強化学習における累積報酬に対する不確実性を定量化する問題を考察する。
我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式(UBE)を提案する。
本稿では,リスク・サーキングとリスク・アバース・ポリシー最適化のいずれにも適用可能な汎用ポリシー最適化アルゴリズムQ-Uncertainty Soft Actor-Critic (QU-SAC)を導入する。
論文 参考訳（メタデータ） (2023-12-07T15:55:58Z) - 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) - Just-In-Time Learning for Operational Risk Assessment in Power Grids [12.939739997360016]
再生可能エネルギーのかなりのシェアを持つグリッドでは、オペレーターは運用リスクを評価するための追加のツールが必要である。
本稿では,Just-In-Time Risk Assessment Learning Framework (JITRALF) を代替として提案する。
JITRALFは、リスクを見積もるために必要な量を予測するために、機械学習(ML)を使用して、1日に1時間に1回のリスクサロゲートをトレーニングする。
論文 参考訳（メタデータ） (2022-09-26T15:11:27Z) - 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) - 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) - Multi-Transformer: A New Neural Network-Based Architecture for
Forecasting S&P Volatility [0.0]
本稿では,機械学習と深層学習に基づくより正確なストックボラティリティモデルを提案する。
本稿では,Multi-Transformerと呼ばれるニューラルネットワークアーキテクチャを提案する。
この論文は、ボラティリティ予測モデルに使用されるために、従来のトランスフォーマー層にも適応している。
論文 参考訳（メタデータ） (2021-09-26T14:47:04Z) - Interpretability in Safety-Critical FinancialTrading Systems [15.060749321774136]
2020年、世界で最も洗練された量子ヘッジファンドのいくつかが損失を被った。
我々は、トレーディングモデルの予測をどのように操作できるかを正確に評価するために、勾配に基づくアプローチを実装した。
提案手法では,入出力分布に大きな負のずれが生じる,サンプル内入力設定のように見えることが判明した。
論文 参考訳（メタデータ） (2021-09-24T17:05:58Z) - Detecting and Mitigating Test-time Failure Risks via Model-agnostic
Uncertainty Learning [30.86992077157326]
本稿では,すでに訓練済みのブラックボックス分類モデルの失敗リスクと予測的不確かさを推定するための,ポストホックメタラーナーであるリスクアドバイザを紹介する。
リスクアドバイザは、リスクスコアの提供に加えて、不確実性見積を、アレタリックおよびエピステマティックな不確実性コンポーネントに分解する。
ブラックボックス分類モデルおよび実世界および合成データセットのさまざまなファミリーの実験は、リスクアドバイザーがデプロイメント時の障害リスクを確実に予測していることを示している。
論文 参考訳（メタデータ） (2021-09-09T17:23:31Z) - Accurate and Robust Feature Importance Estimation under Distribution
Shifts [49.58991359544005]
PRoFILEは、新しい特徴重要度推定法である。
忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
論文 参考訳（メタデータ） (2020-09-30T05:29:01Z)
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。