論文の概要: Calibrating Agent-Based Financial Markets Simulators with Pretrainable Automatic Posterior Transformation-Based Surrogates
- arxiv url: http://arxiv.org/abs/2601.06920v1
- Date: Sun, 11 Jan 2026 14:05:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-13 19:08:01.067938
- Title: Calibrating Agent-Based Financial Markets Simulators with Pretrainable Automatic Posterior Transformation-Based Surrogates
- Title（参考訳）: 自動後変態型サロゲートを用いたキャリブレーションエージェント型金融市場シミュレータ
- Authors: Boquan Jiang, Zhenhua Yang, Chenkai Wang, Muyao Zhong, Heping Fang, Peng Yang,
- Abstract要約: エージェントベースモデル(ABM)は複雑な社会システムをシミュレーションするための重要な最適化問題である。
目的は、シミュレーションデータと実世界の観測との差を最小限に抑えて、与えられたABMの最適パラメータを特定することである。
既存の手法では,1) ABMの非線形だがマルチモーダルな性質のため,元の評価関数のサロゲートは困難であり,2) 一般的なサロゲートは複数のキャリブレーションタスク間で最適化経験を共有できない。
本研究は、負相関探索と適応信頼回帰を用いた自動後部変換を提案する。
- 参考スコア（独自算出の注目度）: 5.002657036975061
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Calibrating Agent-Based Models (ABMs) is an important optimization problem for simulating the complex social systems, where the goal is to identify the optimal parameter of a given ABM by minimizing the discrepancy between the simulated data and the real-world observations. Unfortunately, it suffers from the extensive computational costs of iterative evaluations, which involves the expensive simulation with the candidate parameter. While Surrogate-Assisted Evolutionary Algorithms (SAEAs) have been widely adopted to alleviate the computational burden, existing methods face two key limitations: 1) surrogating the original evaluation function is hard due the nonlinear yet multi-modal nature of the ABMs, and 2) the commonly used surrogates cannot share the optimization experience among multiple calibration tasks, making the batched calibration less effective. To address these issues, this work proposes Automatic posterior transformation with Negatively Correlated Search and Adaptive Trust-Region (ANTR). ANTR first replaces the traditional surrogates with a pretrainable neural density estimator that directly models the posterior distribution of the parameters given observed data, thereby aligning the optimization objective with parameter-space accuracy. Furthermore, we incorporate a diversity-preserving search strategy to prevent premature convergence and an adaptive trust-region method to efficiently allocate computational resources. We take two representative ABM-based financial market simulators as the test bench as due to the high non-linearity. Experiments demonstrate that the proposed ANTR significantly outperforms conventional metaheuristics and state-of-the-art SAEAs in both calibration accuracy and computational efficiency, particularly in batch calibration scenarios across multiple market conditions.
- Abstract（参考訳）: エージェントベースモデル(ABM)は、複雑な社会システムをシミュレーションするための重要な最適化問題であり、シミュレーションデータと実世界の観測との矛盾を最小限に抑えて、与えられたABMの最適パラメータを特定することが目的である。
残念なことに、これは反復的評価の膨大な計算コストに悩まされている。
Surrogate-Assisted Evolutionary Algorithms (SAEA) は計算負担を軽減するために広く採用されているが、既存の手法には2つの重要な制限がある。
1)ABMの非線形だがマルチモーダルな性質のため、元の評価関数のサロゲートは困難である。
2) 一般的なサロゲートは複数のキャリブレーションタスク間で最適化経験を共有できないため,バッチキャリブレーションの効率が低下する。
これらの課題に対処するため, 負相関探索と適応信頼回帰(ANTR)を用いた自動後部変換を提案する。
ANTRはまず、従来のサロゲートを、観測されたデータのパラメータの後方分布を直接モデル化する予測可能なニューラルネットワーク密度推定器に置き換え、最適化目標をパラメータ空間精度と整合させる。
さらに,早期収束を防止するための多様性保存探索戦略と,計算資源を効率的に割り当てるための適応的信頼領域法を取り入れた。
ABMをベースとした2つの代表的な金融市場シミュレータを,非直線性の高いテストベンチとして捉えた。
実験により、ANTRは従来のメタヒューリスティックスや最先端のSAEAよりも、特に複数の市場条件におけるバッチキャリブレーションシナリオにおいて、キャリブレーション精度と計算効率の両方において著しく優れていることが示された。
関連論文リスト
- Enhancing Performance and Calibration in Quantile Hyperparameter Optimization [0.0]
等角化量子レグレッションは、これらの推定弱点に対処することができる。
この研究はこの分野の初期の成果に基づいている。
提案されたアルゴリズムは厳格にベンチマークされる。
論文 参考訳（メタデータ） (2025-09-21T12:17:06Z) - Distributionally Robust Optimization with Adversarial Data Contamination [49.89480853499918]
凸リプシッツ損失関数を持つ一般化線形モデルに対するワッサーシュタイン-1 DRO 目標の最適化に焦点をあてる。
私たちの主な貢献は、データ汚染のトレーニングに対するロバストネスと分散シフトに対するロバストネスを統合した、新しいモデリングフレームワークです。
この研究は、データ汚染と分散シフトという2つの課題の下で学習するために、効率的な計算によって支援される最初の厳密な保証を確立する。
論文 参考訳（メタデータ） (2025-07-14T18:34:10Z) - Taming Polysemanticity in LLMs: Provable Feature Recovery via Sparse Autoencoders [50.52694757593443]
既存のSAEトレーニングアルゴリズムは厳密な数学的保証を欠いていることが多く、実用的な制限に悩まされている。
まず,特徴の特定可能性という新たな概念を含む特徴回復問題の統計的枠組みを提案する。
本稿では、ニューラルネットワークのバイアスパラメータを適応的に調整し、適切なアクティベーション間隔を確保する手法である「バイアス適応」に基づく新たなSAEトレーニングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-06-16T20:58:05Z) - Preference Optimization for Combinatorial Optimization Problems [54.87466279363487]
強化学習(Reinforcement Learning, RL)は、ニューラルネットワーク最適化のための強力なツールとして登場した。
大幅な進歩にもかかわらず、既存のRLアプローチは報酬信号の減少や大規模な行動空間における非効率な探索といった課題に直面している。
統計的比較モデルを用いて定量的報酬信号を定性的選好信号に変換する新しい手法であるPreference Optimizationを提案する。
論文 参考訳（メタデータ） (2025-05-13T16:47:00Z) - Data-Driven Surrogate Modeling Techniques to Predict the Effective Contact Area of Rough Surface Contact Problems [39.979007027634196]
効果的な接触領域は、摩耗、封止、熱伝導や電気伝導といった多物理現象において重要な役割を果たしている。
本研究では,データ駆動手法を高速に評価し,効果的な接触領域を予測するための代理モデリングフレームワークを提案する。
論文 参考訳（メタデータ） (2025-04-24T08:15:46Z) - Self-Steering Optimization: Autonomous Preference Optimization for Large Language Models [79.84205827056907]
本稿では,高品質な嗜好データを自律的に生成するアルゴリズムであるセルフステアリング最適化(SSO$)を提案する。
$SSO$は、ポリシーモデル自体からデータジェネレータを構築するために、特別な最適化目標を採用しています。
評価の結果,$SSO$は人選好アライメントと報酬最適化のベースラインを一貫して上回っていることがわかった。
論文 参考訳（メタデータ） (2024-10-22T16:04:03Z) - A Hybrid Sampling and Multi-Objective Optimization Approach for Enhanced Software Defect Prediction [3.407555189785573]
本稿では,ハイブリッドサンプリング技術と多目的最適化アルゴリズムを組み合わせた新しいSDPフレームワークを提案する。
提案モデルは,多目的最適化による特徴融合を適用し,一般化能力と予測の安定性を両立させる。
NASAとPROMISEリポジトリのデータセットで実施された実験は、提案されたハイブリッドサンプリングと多目的最適化アプローチがデータのバランスを改善し、冗長な特徴を排除し、予測精度を高めることを示した。
論文 参考訳（メタデータ） (2024-10-13T23:39:04Z) - Improved Communication-Privacy Trade-offs in $L_2$ Mean Estimation under Streaming Differential Privacy [47.997934291881414]
既存の平均推定スキームは、通常、$L_infty$幾何に最適化され、ランダムな回転や、$L$幾何に適応するカシンの表現に依存する。
本稿では,スパシフィケーションに固有のランダム性をDPに組み込んだ,スパシフィケーションガウシアン機構の新たなプライバシ会計手法を提案する。
従来の手法とは異なり、我々の会計アルゴリズムは直接$L$幾何で動作し、ガウスの機構に迅速に収束するMSEが得られる。
論文 参考訳（メタデータ） (2024-05-02T03:48:47Z) - Variational Inference of Parameters in Opinion Dynamics Models [9.51311391391997]
この研究は、変数推論を用いて、意見力学 ABM のパラメータを推定する。
我々は推論プロセスを自動微分に適した最適化問題に変換する。
提案手法は, シミュレーションベース法とMCMC法より, マクロ的(有界信頼区間とバックファイア閾値)と微視的(200ドル, エージェントレベルの役割)の両方を正確に推定する。
論文 参考訳（メタデータ） (2024-03-08T14:45:18Z) - Optimization of Annealed Importance Sampling Hyperparameters [77.34726150561087]
Annealed Importance Smpling (AIS) は、深層生成モデルの難易度を推定するために使われる一般的なアルゴリズムである。
本稿では、フレキシブルな中間分布を持つパラメータAISプロセスを提案し、サンプリングに少ないステップを使用するようにブリッジング分布を最適化する。
我々は, 最適化AISの性能評価を行い, 深部生成モデルの限界推定を行い, 他の推定値と比較した。
論文 参考訳（メタデータ） (2022-09-27T07:58:25Z) - Falsification of Cyber-Physical Systems using Bayesian Optimization [4.164131508933521]
サイバー物理システム(CPS)は、しばしば複雑で安全に重要であり、システムの仕様が満たされることを確実にすることが困難かつ決定的に重要である。
シミュレーションベースのファルシフィケーションは、CPSの正確性に対する信頼性を高めるための実践的なテスト手法である。
本研究では,サロゲートモデルを学習し,入力信号のパラメータ化と仕様評価の関係を捉える。
論文 参考訳（メタデータ） (2022-09-14T15:52:19Z)
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。