論文の概要: Realized Volatility Forecasting for New Issues and Spin-Offs using Multi-Source Transfer Learning

• arxiv url: http://arxiv.org/abs/2503.12648v1
• Date: Sun, 16 Mar 2025 20:56:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 12:28:01.113084
• Title: Realized Volatility Forecasting for New Issues and Spin-Offs using Multi-Source Transfer Learning
• Title（参考訳）: マルチソース・トランスファー学習による新問題とスピンオフのボラティリティ予測の実現
• Authors: Andreas Teller, Uta Pigorsch, Christian Pigorsch,
• Abstract要約: 本稿では,金融資産のボラティリティを予測するためのマルチソース・トランスファー学習手法を提案する。 我々は、実質的な歴史的データ記録を持つ資産の相補的な情報源データを利用する。 予測性能を、対象データにのみトレーニングされた予測と、ソース全体と対象データにトレーニングされたモデルと比較する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Forecasting the volatility of financial assets is essential for various financial applications. This paper addresses the challenging task of forecasting the volatility of financial assets with limited historical data, such as new issues or spin-offs, by proposing a multi-source transfer learning approach. Specifically, we exploit complementary source data of assets with a substantial historical data record by selecting source time series instances that are most similar to the limited target data of the new issue/spin-off. Based on these instances and the target data, we estimate linear and non-linear realized volatility models and compare their forecasting performance to forecasts of models trained exclusively on the target data, and models trained on the entire source and target data. The results show that our transfer learning approach outperforms the alternative models and that the integration of complementary data is also beneficial immediately after the initial trading day of the new issue/spin-off.
• Abstract（参考訳）: 金融資産のボラティリティを予測することは、様々な金融応用に不可欠である。 本稿では,複数ソース移行学習アプローチを提案することで,新たな問題やスピンオフなど,限られた歴史的データによる金融資産のボラティリティを予測するという課題に対処する。 具体的には、新たなイシュー/スピンオフの限られたターゲットデータに最も近いソース時系列インスタンスを選択することで、実質的な履歴データを持つ資産の補完的ソースデータを利用する。 これらの事例と対象データに基づいて、線形および非線形に実現されたボラティリティモデルを推定し、その予測性能と、対象データのみに基づいてトレーニングされたモデルと、ソースデータとターゲットデータ全体に基づいてトレーニングされたモデルとを比較した。 その結果,移行学習アプローチは代替モデルよりも優れており,新たなイシュー/スピンオフの最初の取引日直後の補完データの統合も有益であることがわかった。

関連論文リスト

• Multimodal Stock Price Prediction [0.0]
  さまざまなデータソースと機械学習を慎重に統合して、正確な株価予測を行うことがますます重要になっている。 本稿では,従来の財務指標,つぶやき,ニュース記事など,さまざまな情報源のデータを組み合わせて,株価予測のためのマルチモーダル機械学習手法を提案する。
  論文  参考訳（メタデータ） (2025-01-23T16:38:46Z)
• Learn from the Learnt: Source-Free Active Domain Adaptation via Contrastive Sampling and Visual Persistence [60.37934652213881]
  ドメイン適応(DA)は、ソースドメインから関連するターゲットドメインへの知識伝達を容易にする。 本稿では、ソースデータフリーなアクティブドメイン適応(SFADA)という実用的なDAパラダイムについて検討する。 本稿では,学習者学習(LFTL)というSFADAの新たなパラダイムを紹介し,学習した学習知識を事前学習モデルから活用し,余分なオーバーヘッドを伴わずにモデルを積極的に反復する。
  論文  参考訳（メタデータ） (2024-07-26T17:51:58Z)
• Contrastive Learning of Asset Embeddings from Financial Time Series [8.595725772518332]
  金融時系列データから資産埋め込みを生成するための,新しいコントラスト学習フレームワークを提案する。 提案手法は,多くのサブウインドウに対するアセットリターンの類似性を利用して,情報的正および負のサンプルを生成する。 実世界のデータセットに関する実験は、ベンチマーク業界分類とポートフォリオ最適化タスクにおける学習した資産埋め込みの有効性を実証している。
  論文  参考訳（メタデータ） (2024-07-26T10:26:44Z)
• Federated Learning with Projected Trajectory Regularization [65.6266768678291]
  フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。 連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。 本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-22T02:12:08Z)
• Building Manufacturing Deep Learning Models with Minimal and Imbalanced Training Data Using Domain Adaptation and Data Augmentation [15.333573151694576]
  本稿では,目標学習課題に対するラベル付き学習データ不足の問題に対処する新しいドメイン適応(DA)手法を提案する。 我々のアプローチは、ソースデータセットとターゲット学習タスクで利用可能なデータセットが同一または異なる機能空間を持つシナリオで機能する。 我々は、ウェハ欠陥予測のための画像データを用いて、組み合わせたアプローチを評価する。
  論文  参考訳（メタデータ） (2023-05-31T21:45:34Z)
• Parameterized Neural Networks for Finance [0.0]
  我々は、異なるデータサンプルの集合のモデルクラスを学ぶことができるニューラルネットワークアーキテクチャを議論し、分析する。 このアプローチを、資産運用者や銀行が直面している標準的問題の一つ、すなわちスプレッドカーブの校正に適用する。
  論文  参考訳（メタデータ） (2023-04-18T10:18:28Z)
• 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)
• Augmented Bilinear Network for Incremental Multi-Stock Time-Series Classification [83.23129279407271]
  本稿では,有価証券のセットで事前学習したニューラルネットワークで利用可能な知識を効率的に保持する手法を提案する。 本手法では,既存の接続を固定することにより,事前学習したニューラルネットワークに符号化された事前知識を維持する。 この知識は、新しいデータを用いて最適化された一連の拡張接続によって、新しい証券に対して調整される。
  論文  参考訳（メタデータ） (2022-07-23T18:54:10Z)
• Low-Rank Temporal Attention-Augmented Bilinear Network for financial time-series forecasting [93.73198973454944]
  ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。 近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。 本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
  論文  参考訳（メタデータ） (2021-07-05T10:15:23Z)
• Super-App Behavioral Patterns in Credit Risk Models: Financial, Statistical and Regulatory Implications [110.54266632357673]
  従来の官僚データとは対照的に、アプリベースのマーケットプレースから派生した代替データが信用スコアモデルに与える影響を提示する。 2つの国にまたがって検証した結果、これらの新たなデータソースは、低体重者や若年者における金融行動を予測するのに特に有用であることが示された。
  論文  参考訳（メタデータ） (2020-05-09T01:32:03Z)

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。