論文の概要: On Quantum and Quantum-Inspired Maximum Likelihood Estimation and Filtering of Stochastic Volatility Models
- arxiv url: http://arxiv.org/abs/2507.21337v1
- Date: Mon, 28 Jul 2025 21:06:45 GMT
- ステータス: 情報取得中
- システム内更新日: 2025-07-30 13:42:09.37702
- Title: On Quantum and Quantum-Inspired Maximum Likelihood Estimation and Filtering of Stochastic Volatility Models
- Title(参考訳): 確率的ボラティリティモデルの量子及び量子インスピレーションによる最大近似推定とフィルタリングについて
- Authors: Eric Ghysels, Jack Morgan, Hamed Mohammadbagherpoor,
- Abstract要約: ボラティリティ拡散を推定するための2つの新しい手法を提案する。
1つは量子インスパイアされた古典的隠れマルコフモデル(HMM)、もう1つは量子隠れマルコフモデル(英語版)である。
どちらの場合も近似的近似関数と、計算が容易なフィルタリングアルゴリズムがある。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Stochastic volatility models are the backbone of financial engineering. We study both continuous time diffusions as well as discrete time models. We propose two novel approaches to estimating stochastic volatility diffusions, one using Quantum-Inspired Classical Hidden Markov Models (HMM) and the other using Quantum Hidden Markov Models. In both cases we have approximate likelihood functions and filtering algorithms that are easy to compute. We show that the non-asymptotic bounds for the quantum HMM are tighter compared to those with classical model estimates.
- Abstract(参考訳): 確率的ボラティリティモデルは金融工学のバックボーンである。
連続時間拡散と離散時間モデルの両方について検討する。
確率的ボラティリティ拡散を推定するための2つの新しいアプローチを提案する。一方は量子インスパイアされた古典的隠れマルコフモデル(HMM)、もう一方は量子隠れマルコフモデル(英語版)である。
どちらの場合も近似的近似関数と、計算が容易なフィルタリングアルゴリズムがある。
量子HMMの非漸近境界は古典的モデル推定値よりも厳密であることを示す。
関連論文リスト
- Overcoming Dimensional Factorization Limits in Discrete Diffusion Models through Quantum Joint Distribution Learning [79.65014491424151]
量子離散化拡散確率モデル(QD3PM)を提案する。
これは、指数関数的に大きなヒルベルト空間における拡散と denoising を通じて合同確率学習を可能にする。
本稿では,共同分布学習における量子的優位性を生かして,生成モデルの新たな理論的パラダイムを確立する。
論文 参考訳(メタデータ) (2025-05-08T11:48:21Z) - Quantum Latent Diffusion Models [65.16624577812436]
本稿では,古典的潜伏拡散モデルの確立した考え方を活用する量子拡散モデルの潜在的バージョンを提案する。
これには、従来のオートエンコーダを使用してイメージを削減し、次に潜時空間の変動回路で操作する。
この結果は、量子バージョンが生成した画像のより良い測定値を得ることによって証明されたように、量子バージョンを使用することの利点を示している。
論文 参考訳(メタデータ) (2025-01-19T21:24:02Z) - Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
ランダム量子スピン系の進化をモデル化するためにFNOを用いる。
量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
論文 参考訳(メタデータ) (2024-09-05T07:18:09Z) - Skew-Gaussian model of small-photon-number coherent Ising machines [0.0]
ボソニックモードのガウス量子論は量子光学系を記述するために広く用いられている。
2つの3階揺らぎ積を含む拡張ガウスモデルを開発した。
この新モデルは量子マスター方程式(QME)によって予測される成功確率をより正確に再現する。
論文 参考訳(メタデータ) (2024-03-01T00:08:48Z) - Quantum Denoising Diffusion Models [4.763438526927999]
2つの量子拡散モデルを導入し、それらの能力と古典的能力とをベンチマークする。
我々のモデルは、FID、SSIM、PSNRのパフォーマンス指標の点で、類似したパラメータ数を持つ古典モデルを上回る。
論文 参考訳(メタデータ) (2024-01-13T11:38:08Z) - Towards Faster Non-Asymptotic Convergence for Diffusion-Based Generative
Models [49.81937966106691]
我々は拡散モデルのデータ生成過程を理解するための非漸近理論のスイートを開発する。
従来の研究とは対照的に,本理論は基本的だが多目的な非漸近的アプローチに基づいて開発されている。
論文 参考訳(メタデータ) (2023-06-15T16:30:08Z) - Anomaly Detection in Aeronautics Data with Quantum-compatible Discrete
Deep Generative Model [0.0]
本稿では,商用フライトの飛行操作データにおける異常検出における3つの教師なし深層生成モデルの性能について検討する。
我々は、離散潜在変数(DVAE)を持つ2つのVAEモデルを考案し、ベルヌーイを前者とする1つと制限ボルツマンマシン(RBM)を持つ1つを前者として考案した。
本研究は, 異常検出タスクにおいて, ガウス対応の離散的深部生成モデルの競合性を示すものである。
論文 参考訳(メタデータ) (2023-03-22T04:19:18Z) - Implementation and Learning of Quantum Hidden Markov Models [0.0]
量子チャネルの理論とオープン量子システムを用いて、量子隠れマルコフモデル(QHMM)として知られるジェネレータのクラスの効率的なユニタリ特性を提供する。
我々は、QHMMが、等価な古典的隠れマルコフモデル(HMM)と比較して、プロセス言語のよりコンパクトで表現力豊かな定義であることを証明した。
本稿では,QHMMのための2つの実践的学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-12-07T17:25:02Z) - Markov Chain Monte Carlo for Continuous-Time Switching Dynamical Systems [26.744964200606784]
マルコフ連鎖モンテカルロ法による新しい推論アルゴリズムを提案する。
提示されたギブスサンプルは、正確な連続時間後処理から試料を効率的に得ることができる。
論文 参考訳(メタデータ) (2022-05-18T09:03:00Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳(メタデータ) (2021-02-02T06:15:15Z) - Fast approximations in the homogeneous Ising model for use in scene
analysis [61.0951285821105]
我々は、推論に必要な量を数値計算できる正確な近似を提供する。
近似式はスケーラブルでマルコフランダム場の大きさに満足できないことを示す。
機能的磁気共鳴イメージングアクティベーション検出実験においてベイズ推論を行い, ピスタチオ樹収量の年次増加の空間パターンにおける異方性に対する確率比試験を行った。
論文 参考訳(メタデータ) (2017-12-06T14:24:34Z)
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。