論文の概要: Neural and Time-Series Approaches for Pricing Weather Derivatives: Performance and Regime Adaptation Using Satellite Data

• arxiv url: http://arxiv.org/abs/2411.12013v2
• Date: Fri, 02 May 2025 19:07:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 14:44:43.794721
• Title: Neural and Time-Series Approaches for Pricing Weather Derivatives: Performance and Regime Adaptation Using Satellite Data
• Title（参考訳）: プライシング・ウェザーデリバティブのためのニューラル・時系列アプローチ:衛星データを用いた性能とレジーム適応
• Authors: Marco Hening Tallarico, Pablo Olivares,
• Abstract要約: 本稿では,温度と降水量に関する気象デリバティブ(WD)契約の価格について検討する。 我々は、フィードフォワードニューラルネットワーク(NN)に対してハーモニック回帰/ARMAモデルをベンチマークし、NNがサンプル外平均二乗誤差(MSE)を低減することを発見した。 降水には多季にわたる30日間の降雨シーケンスでトレーニングされた畳み込みニューラルネットワーク(CNN)を用いて,形状とスケールパラメータを最大推定(MLE)および推定する。
• 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: This paper studies pricing of weather-derivative (WD) contracts on temperature and precipitation. For temperature-linked strangles in Toronto and Chicago, we benchmark a harmonic-regression/ARMA model against a feed-forward neural network (NN), finding that the NN reduces out-of-sample mean-squared error (MSE) and materially shifts December fair values relative to both the time-series model and the industry-standard Historic Burn Approach (HBA). For precipitation, we employ a compound Poisson--Gamma framework: shape and scale parameters are estimated via maximum likelihood estimation (MLE) and via a convolutional neural network (CNN) trained on 30-day rainfall sequences spanning multiple seasons. The CNN adaptively learns season-specific $(\alpha,\beta)$ mappings, thereby capturing heterogeneity across regimes that static i.i.d.\ fits miss. At valuation, we assume days are i.i.d.\ $\Gamma(\hat{\alpha},\hat{\beta})$ within each regime and apply a mean-count approximation (replacing the Poisson count by its mean ($n\hat{\lambda}$) to derive closed-form strangle prices. Exploratory analysis of 1981--2023 NASA POWER data confirms pronounced seasonal heterogeneity in $(\alpha,\beta)$ between summer and winter, demonstrating that static global fits are inadequate. Back-testing on Toronto and Chicago grids shows that our regime-adaptive CNN yields competitive valuations and underscores how model choice can shift strangle prices. Payoffs are evaluated analytically when possible and by simulation elsewhere, enabling a like-for-like comparison of forecasting and valuation methods.
• Abstract（参考訳）: 本稿では,温度と降水量に関する気象デリバティブ(WD)契約の価格について検討する。 トロントとシカゴの温度リンクストラングルでは、フィードフォワードニューラルネットワーク(NN)に対してハーモニック回帰/ARMAモデルをベンチマークし、NNがサンプル外平均二乗誤差(MSE)を減らし、時系列モデルと業界標準のヒストリックバーンアプローチ(HBA)の両方と比較して12月12月の公正値を物質的にシフトすることを発見した。 降水には多季にわたる30日間の降雨シーケンスでトレーニングされた畳み込みニューラルネットワーク(CNN)を用いて,形状とスケールパラメータを最大推定(MLE)および推定する。 CNN は季節固有の $(\alpha,\beta)$ マッピングを適応的に学習し、静的 i.i.d.\ がミスに適合するレジーム間の不均一性をキャプチャする。 評価において、日は各政権内で1ドル=1.d.\ $\Gamma(\hat{\alpha},\hat{\beta})と仮定し、平均数近似を適用して(ポアソン数を平均(n\hat{\lambda}$)、閉形式のストラングル価格を導出する。 1981-2023年のNASA POWERデータの探索分析により、夏から冬の間に$(\alpha,\beta)$の季節的不均一性が確認され、静的な地球規模の適合性が不十分であることが示された。 トロントとシカゴのグリッドのバックテストでは、我々の政権適応型CNNが競争力のあるバリュエーションをもたらし、モデル選択が価格を揺るがす方法を強調している。 支払いは可能な限り分析的に評価され、他の方法でシミュレーションすることで、予測法と評価法の類似した比較を可能にする。

関連論文リスト

• Forecasting Cryptocurrency Prices using Contextual ES-adRNN with Exogenous Variables [3.0108936184913295]
  指数的スムーシング(ES)とリカレントニューラルネットワーク(RNN)を組み合わせたハイブリッドコンテキストモデルを用いて、暗号通貨価格を多変量予測する新しいアプローチを提案する。 このモデルは1日、1週間、1週間、4週間の地平線で1日毎の予測と予測間隔の両方を生成する。 我々は17の入力変数に基づいて15の暗号通貨の価格を予測し、その性能を統計モデルとMLモデルの両方と比較して比較する。
  論文  参考訳（メタデータ） (2025-04-11T20:00:03Z)
• Towards Location-Specific Precipitation Projections Using Deep Neural Networks [0.0]
  本研究では,局別降水近似において,深部ニューラルネットワーク(DNN)を利用してKrigingのような従来の手法を超越したパラダイムシフトを提案する。 本稿では,降水量,標高,位置を利用したNNアーキテクチャと,湿度,温度,風速などの気象パラメータを付加したNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-03-18T10:12:17Z)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• Interval Forecasts for Gas Prices in the Face of Structural Breaks -- Statistical Models vs. Neural Networks [0.0]
  ニューラルネットワークのような現代の機械学習手法が、このような変化に対してより耐性があるかどうかを検討する。 衝撃期においては、ほとんどのモデルでは、余震期における分散を過大評価しながら、分散を過小評価している。 興味深いことに、広く使われている長短のニューラルネットワークは、競合他社よりも優れています。
  論文  参考訳（メタデータ） (2024-07-23T11:34:13Z)
• Encoding Seasonal Climate Predictions for Demand Forecasting with Modular Neural Network [0.8378605337114742]
  本稿では,サプライチェーン機能に対する堅牢で信頼性の高い時系列予測を提供するため,季節的気候予測を符号化する新しい枠組みを提案する。 本実験は, 季節気候予測をモデル化し, 複数の実世界のデータセットに対して約13%から17%の誤差低減を達成できることを示す。
  論文  参考訳（メタデータ） (2023-09-05T13:58:59Z)
• Hedonic Prices and Quality Adjusted Price Indices Powered by AI [4.125713429211907]
  我々は、大量の非構造化製品データを処理する経験的ヘドニックモデルを開発する。 我々は正確なヘドニック価格推定と導出指標を生成する。 我々は、AIベースのヘドニックフィッシャー価格指数を構築し、年々の頻度でチェーンする。
  論文  参考訳（メタデータ） (2023-04-28T18:37:59Z)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• Intelligent Spatial Interpolation-based Frost Prediction Methodology using Artificial Neural Networks with Limited Local Data [3.3607307817827032]
  本研究の目的は,凍害予測のための現場の歴史的データやセンサへの依存を解消することである。 これらのモデルは、既存の気象観測所の気候データ、デジタル標高モデルサーベイ、および正規化差植生指数データを用いて、目標地点の次の1時間最低気温を推定する。
  論文  参考訳（メタデータ） (2022-04-15T21:14:07Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• Forecasting The JSE Top 40 Using Long Short-Term Memory Networks [1.6114012813668934]
  本稿では、長期記憶ネットワークを用いて、JSEトップ40インデックスのリターンデータに基づいて財務時系列予測を行う。 本稿では,長期記憶ネットワークが季節的自己回帰統合移動平均モデルより優れていることを結論する。
  論文  参考訳（メタデータ） (2021-04-20T09:39:38Z)
• Radflow: A Recurrent, Aggregated, and Decomposable Model for Networks of Time Series [77.47313102926017]
  Radflowは、お互いに影響を与える時系列ネットワークの新しいモデルである。 それは3つの重要なアイデアを具現化します:時間に依存するノード埋め込み、マルチヘッドの注意を持つ隣接するノードからの影響の流れの集約、および時系列の多層分解を得るための繰り返しニューラルネットワーク。 radflowは異なる傾向や季節パターンを学習でき、欠落したノードやエッジに対して頑健であり、ネットワークの隣人間の時間パターンの相関は影響強度を反映している。
  論文  参考訳（メタデータ） (2021-02-15T00:57:28Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。