論文の概要: Filling in Missing FX Implied Volatilities with Uncertainties: Improving VAE-Based Volatility Imputation

• arxiv url: http://arxiv.org/abs/2411.05998v1
• Date: Fri, 08 Nov 2024 22:30:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:11:12.170581
• Title: Filling in Missing FX Implied Volatilities with Uncertainties: Improving VAE-Based Volatility Imputation
• Title（参考訳）: 不確かさをともなうFX不安定な揮発性の補充:VAEによる揮発性推算の改善
• Authors: Achintya Gopal,
• Abstract要約: FXオプションに対する暗黙のボラティリティの欠如の計算に焦点を当てる。 VAEのアーキテクチャに簡単な変更を加えると、計算性能が大幅に向上した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Missing data is a common problem in finance and often requires methods to fill in the gaps, or in other words, imputation. In this work, we focused on the imputation of missing implied volatilities for FX options. Prior work has used variational autoencoders (VAEs), a neural network-based approach, to solve this problem; however, using stronger classical baselines such as Heston with jumps can significantly outperform their results. We show that simple modifications to the architecture of the VAE lead to significant imputation performance improvements (e.g., in low missingness regimes, nearly cutting the error by half), removing the necessity of using $\beta$-VAEs. Further, we modify the VAE imputation algorithm in order to better handle the uncertainty in data, as well as to obtain accurate uncertainty estimates around imputed values.
• Abstract（参考訳）: データの欠落は金融の一般的な問題であり、しばしばギャップを埋める方法を必要とする。 本研究は,FX オプションに対する意図しないボラティリティの欠如を抑えることに焦点を当てた。 従来の研究では、ニューラルネットワークベースのアプローチである可変オートエンコーダ(VAEs)を使用してこの問題を解決してきたが、Hestonのようなより強力な古典的なベースラインをジャンプで使用すれば、その結果を大幅に上回ることができる。 VAEのアーキテクチャに簡単な変更を加えると、計算性能が大幅に向上する(例えば、低不足状態ではエラーを半分に削減し、$\beta$-VAEを使用する必要がなくなる)。 さらに,データの不確実性をよりよく扱えるように,VAE計算アルゴリズムを改良し,不確実性に関する正確な不確実性推定値を得る。

関連論文リスト

• Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
  異常と欠落したデータは、産業応用における厄介な問題を構成する。 ディープラーニングによる異常検出が重要な方向として現れている。 エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
  論文  参考訳（メタデータ） (2024-11-06T15:38:31Z)
• Error Feedback under $(L_0,L_1)$-Smoothness: Normalization and Momentum [56.37522020675243]
  機械学習の幅広い問題にまたがる正規化誤差フィードバックアルゴリズムに対する収束の最初の証明を提供する。 提案手法では,許容可能なステップサイズが大きくなったため,新しい正規化エラーフィードバックアルゴリズムは,各種タスクにおける非正規化エラーよりも優れていた。
  論文  参考訳（メタデータ） (2024-10-22T10:19:27Z)
• Adaptive operator learning for infinite-dimensional Bayesian inverse problems [7.716833952167609]
  本研究では,局所的に精度の高いサロゲートを強制することによって,モデリングエラーを段階的に低減できる適応型演算子学習フレームワークを開発した。 UKIフレームワークを用いて線形の場合において厳密な収束を保証する。 その結果,逆精度を維持しながら計算コストを大幅に削減できることがわかった。
  論文  参考訳（メタデータ） (2023-10-27T01:50:33Z)
• Posterior Consistency for Missing Data in Variational Autoencoders [11.18081298867526]
  本稿では,データから変分オートエンコーダ(VAE)を学習する際の問題点について考察する。 本稿では,この整合性を促進するエンコーダの後部分布の正規化手法を提案する。 この改良された性能は、正規化フローを備えたVAEを含む多くのVAEのクラスで観測できる。
  論文  参考訳（メタデータ） (2023-10-25T13:56:02Z)
• Scaling Laws Beyond Backpropagation [64.0476282000118]
  因果デコーダのみの変換器を効率的に訓練するための直接フィードバックアライメントの有効性について検討した。 DFAはバックプロパゲーションよりも効率的なスケーリングを提供していないことが分かりました。
  論文  参考訳（メタデータ） (2022-10-26T10:09:14Z)
• Leveraging variational autoencoders for multiple data imputation [0.5156484100374059]
  本稿では,複数の計算手法を用いて,データ欠落を考慮に入れた深部モデル,すなわち変分オートエンコーダ(VAE)について検討する。 VAEは、過小評価と過信な計算によって、欠落したデータの経験的カバレッジを低くすることがわかった。 これを克服するために、一般化されたベイズフレームワークから見た$beta$-VAEsを用いて、モデルの誤特定に対して堅牢性を提供する。
  論文  参考訳（メタデータ） (2022-09-30T08:58:43Z)
• Improving Out-of-Distribution Detection via Epistemic Uncertainty Adversarial Training [29.4569172720654]
  我々は,ドロップアウトアンサンブルによって予測される不確実性の攻撃を組み込んだ,単純な対向訓練手法を開発した。 本手法は,OOD検出性能を標準データ上で向上させる(逆向きではない)とともに,ほぼランダムな推定性能から$geq 0.75$まで,標準化された部分AUCを改善する。
  論文  参考訳（メタデータ） (2022-09-05T14:32:19Z)
• Adaptive Self-supervision Algorithms for Physics-informed Neural Networks [59.822151945132525]
  物理情報ニューラルネットワーク(PINN)は、損失関数のソフト制約として問題領域からの物理的知識を取り入れている。 これらのモデルの訓練性に及ぼす座標点の位置の影響について検討した。 モデルがより高い誤りを犯している領域に対して、より多くのコロケーションポイントを段階的に割り当てる適応的コロケーション方式を提案する。
  論文  参考訳（メタデータ） (2022-07-08T18:17:06Z)
• 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)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。