論文の概要: Forecasting VIX using interpretable Kolmogorov-Arnold networks
- arxiv url: http://arxiv.org/abs/2502.00980v1
- Date: Mon, 03 Feb 2025 01:24:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-05 15:01:22.468491
- Title: Forecasting VIX using interpretable Kolmogorov-Arnold networks
- Title(参考訳): 解釈可能なコルモゴロフ・アルノルドネットワークを用いたVIX予測
- Authors: So-Yoon Cho, Sungchul Lee, Hyun-Gyoon Kim,
- Abstract要約: 本稿では,CBOEボラティリティ指数(VIX)予測におけるKAN(Kolmogorov-Arnold Networks)の利用について述べる。
ブラックボックスの性質でしばしば批判される従来のニューラルネットワークとは異なり、kanは学習可能なスプラインベースのアクティベーション関数とシンボル化を通じて解釈可能なアプローチを提供する。
- 参考スコア(独自算出の注目度): 2.145761568085819
- License:
- Abstract: This paper presents the use of Kolmogorov-Arnold Networks (KANs) for forecasting the CBOE Volatility Index (VIX). Unlike traditional MLP-based neural networks that are often criticized for their black-box nature, KAN offers an interpretable approach via learnable spline-based activation functions and symbolification. Based on a parsimonious architecture with symbolic functions, KAN expresses a forecast of the VIX as a closed-form in terms of explanatory variables, and provide interpretable insights into key characteristics of the VIX, including mean reversion and the leverage effect. Through in-depth empirical analysis across multiple datasets and periods, we show that KANs achieve competitive forecasting performance while requiring significantly fewer parameters compared to MLP-based neural network models. Our findings demonstrate the capacity and potential of KAN as an interpretable financial time-series forecasting method.
- Abstract(参考訳): 本稿では,CBOEボラティリティ指数(VIX)の予測にKAN(Kolmogorov-Arnold Networks)を用いることを提案する。
ブラックボックスの性質でしばしば批判される従来のMLPベースのニューラルネットワークとは異なり、KANは学習可能なスプラインベースのアクティベーション関数とシンボル化を通じて解釈可能なアプローチを提供する。
シンボリック関数を持つ擬似的アーキテクチャに基づいて、カンは説明変数の観点から、VIXの予測を閉形式として表現し、平均回帰とレバレッジ効果を含む、VIXの重要な特徴に関する解釈可能な洞察を提供する。
複数のデータセットや期間にわたる詳細な経験的分析を通じて、KANSAは、MLPベースのニューラルネットワークモデルと比較して、パラメータを著しく少なくしながら、競合予測性能を実現していることを示す。
本研究は、財務時系列予測手法としてのKAの能力と可能性を示すものである。
関連論文リスト
- NBMLSS: probabilistic forecasting of electricity prices via Neural Basis Models for Location Scale and Shape [44.99833362998488]
我々は、GAMLSSの原理的解釈可能性と、計算にスケーラブルな共有基底分解をブレンドした、位置、スケール、形状のためのニューラル基底モデルをデプロイする。
複数の市場領域で実験が行われ、分布型ニューラルネットワークに匹敵する確率論的予測性能を達成した。
論文 参考訳(メタデータ) (2024-11-21T08:17:53Z) - Kolmogorov-Arnold Networks for Time Series: Bridging Predictive Power and Interpretability [6.4314326272535896]
Kolmogorov-Arnold Networks (KAN)は、最近MITチームが提案した画期的なモデルである。
Kanは時系列内の概念ドリフトを検知し、予測と過去の時間ステップの間の非線形関係を説明するように設計されている。
T-KANは、時系列内の概念ドリフトを検知し、予測と過去の時間ステップの間の非線形関係を説明するように設計されている。
一方,MT-KANは変数間の複雑な関係を効果的に発見・活用することで予測性能を向上させる。
論文 参考訳(メタデータ) (2024-06-04T17:14:31Z) - SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。
伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。
本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文 参考訳(メタデータ) (2024-05-29T08:00:15Z) - Smooth Kolmogorov Arnold networks enabling structural knowledge representation [0.0]
Kolmogorov-Arnold Networks (KAN) は、従来のマルチ層パーセプトロン(MLP)アーキテクチャに代わる、効率的かつ解釈可能な代替手段を提供する。
固有の構造的知識を活用することで、カンは訓練に必要なデータを減らすことができ、幻覚的予測を発生させるリスクを軽減することができる。
論文 参考訳(メタデータ) (2024-05-18T15:27:14Z) - Kolmogorov-Arnold Networks (KANs) for Time Series Analysis [6.932243286441558]
本稿では,KAN(Kolmogorov-Arnold Networks)の時系列予測への応用について紹介する。
コルモゴロフ・アルノルドの表現定理に着想を得たカンスは、伝統的な線型重みをスプラインパラメタライズされた単変数関数に置き換えた。
実世界の衛星トラフィック予測タスクにおいて,KANSAが従来のMLP(Multi-Layer Perceptrons)よりも優れていることを示す。
論文 参考訳(メタデータ) (2024-05-14T17:38:17Z) - Interpretable Social Anchors for Human Trajectory Forecasting in Crowds [84.20437268671733]
本研究では,人混みの軌跡を予測できるニューラルネットワークシステムを提案する。
解釈可能なルールベースのインテントを学び、ニューラルネットワークの表現可能性を利用してシーン固有の残差をモデル化する。
私たちのアーキテクチャは、インタラクション中心のベンチマークTrajNet++でテストされています。
論文 参考訳(メタデータ) (2021-05-07T09:22:34Z) - Neural basis expansion analysis with exogenous variables: Forecasting
electricity prices with NBEATSx [12.31979377566269]
我々は, NBEATSx モデルを用いた電力価格予測タスクの有用性を, 幅広い年数と市場にわたって検討した。
NBEATSモデルと比較して予測精度を20%近く向上させ、最先端の性能を観察しています。
提案するニューラルネットワークは、時系列を構造的に分解できる解釈可能な構成を持つ。
論文 参考訳(メタデータ) (2021-04-12T14:47:55Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳(メタデータ) (2021-01-31T06:49:33Z) - Probabilistic Graph Attention Network with Conditional Kernels for
Pixel-Wise Prediction [158.88345945211185]
本稿では,画素レベルの予測を基本的側面,すなわち,技術の現状を推し進める新たなアプローチを提案する。
構造化されたマルチスケール機能学習と融合。
本論文では,マルチスケール表現を原理的に学習・融合するための新しいアテンテンションゲート条件ランダムフィールド(AG-CRFs)モデルに基づく確率的グラフアテンションネットワーク構造を提案する。
論文 参考訳(メタデータ) (2021-01-08T04:14:29Z) - Lipschitz Recurrent Neural Networks [100.72827570987992]
我々のリプシッツ再帰ユニットは、他の連続時間RNNと比較して、入力やパラメータの摂動に対してより堅牢であることを示す。
実験により,Lipschitz RNNは,ベンチマークタスクにおいて,既存のリカレントユニットよりも優れた性能を発揮することが示された。
論文 参考訳(メタデータ) (2020-06-22T08:44:52Z)
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。
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。