論文の概要: Scalable Regularized Vector Multiplicative Error Models for Positive-valued Financial Time Series
- arxiv url: http://arxiv.org/abs/2610.08443v1
- Date: Tue, 06 Oct 2026 14:35:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:30.049908
- Title: Scalable Regularized Vector Multiplicative Error Models for Positive-valued Financial Time Series
- Title（参考訳）: 正価金融時系列のスケーラブル正規化ベクトル乗算誤差モデル
- Abstract要約: 本稿では,log-vMEMモデルの階層ラグ構造による正規化推定について述べる。
競合するモデルは、3つの階層的なラグ構造を組み合わせることで互いに接する。
提案手法を適用して,Microsoft の日内安定度測定のジョイントダイナミクスをモデル化する。
- 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: The logarithmic multiplicative error model (log-vMEM) has been useful in modeling and forecasting multivariate positive-valued financial time series. The number of parameters grow rapidly with the dimension of the system and the lag order, making estimation computationally demanding in high-dimensional settings. This paper describes regularized estimation via hierarchical lag structures (Nicholson et al., 2020) for log-vMEM models with multivariate gamma error distribution of Tsionas (2004). The parameter estimation is performed using a blockwise coordinate descent algorithm with a Gauss-Seidel-style update scheme (Wright, 2015). This enables an efficient computation strategy compared to traditional penalized maximum likelihood approaches. The competing models are juxtaposed against each other by combining three hierarchical lag structures (componentwise, elementwise, own-other) and four penalties(group-lasso, adaptive group-lasso, group-mcp, and group-scad). Extensive simulation runs have been performed to test the parameter recovery for both the unpenalized and the penalized models. We apply the proposed methods to model the joint dynamics of robust intraday realized volatility measures for Microsoft (NASDAQ: MSFT) for the competing models. The numerical integration step of the log-likelihood is identified to be the principal computational bottleneck. We address this issue by using GPU-accelerated quadrature integration thus improving computational scalability of the proposed models.
- Abstract（参考訳）: 対数的乗算誤差モデル(log-vMEM)は多変量正値財務時系列のモデル化と予測に有用である。
パラメータの数はシステムの次元やラグ順とともに急速に増加し、高次元設定で計算的に要求される。
本稿では,Tsionas (2004) の多変量ガンマ誤差分布を持つlog-vMEMモデルに対する階層ラグ構造(Nicholson et al , 2020)による正規化推定について述べる。
パラメータ推定はGauss-Seidel-style update schemeを用いたブロックワイズ座標降下アルゴリズムを用いて行われる(Wright, 2015)。
これにより、従来のペナル化極大アプローチと比較して効率的な計算戦略が実現できる。
競合するモデルは、3つの階層的なラグ構造(成分的に、要素的に、自他的に)と4つのペナルティ(群-ラッソ、適応群-ラッソ、群-mcp、群-scad)を組み合わせることによって互いに接する。
過渡化モデルとペナル化モデルの両方のパラメータ回復をテストするために、広範囲なシミュレーション実行が実施されている。
提案手法は,Microsoft(NASDAQ: MSFT)と競合するモデルを対象とした,堅牢な日内変動測定のジョイントダイナミクスをモデル化する。
ログライクリフの数値積分ステップは、主計算ボトルネックである。
提案するモデルの計算スケーラビリティを向上させるために,GPUアクセラレーションによる二次積分を用いてこの問題に対処する。
関連論文リスト
- Kastor: An efficient fine-tuning strategy for generative emulation of PDE simulations [14.561544063927228]
本稿では,決定論的物理基礎モデルを高効率かつ高精度な生成サロゲートに適応するための包括的方法論を提案する。
まず,大規模な因果的自己回帰モデルと非因果的時間的超解像ネットワークを組み合わせた2段階推論手法を提案する。
第2に,Nullノイズ条件下での定性分布平均を予測するために生成モデルを制約する新たな学習目標である平均予測正則化(MPR)を提案する。
論文 参考訳（メタデータ） (2026-08-06T14:41:11Z) - Enhanced accuracy through ensembling of randomly initialized auto-regressive models for time-dependent PDEs [0.0]
機械学習モデルによる自己回帰推論は、連続した予測よりもエラーの蓄積に悩まされ、長期的な精度が制限される。
この課題に対処するために,複数のMLサロゲートモデルを並列にトレーニングし,推論中に集約するディープアンサンブルフレームワークを提案する。
我々はPDEを駆動する3つの力学系 - 不均一なミクロ組織における応力の進化、グレイ・スコット反応拡散、惑星規模の浅層水系 - の枠組みを検証した。
論文 参考訳（メタデータ） (2025-07-05T02:25:12Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳（メタデータ） (2023-12-19T21:45:38Z) - Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。
提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
論文 参考訳（メタデータ） (2023-12-03T05:52:30Z) - An Interpretable and Efficient Infinite-Order Vector Autoregressive
Model for High-Dimensional Time Series [1.4939176102916187]
本稿では,高次元時系列に対する新しいスパース無限次VARモデルを提案する。
このモデルによって得られたVARMA型力学の時間的・横断的な構造は別々に解釈できる。
統計的効率と解釈可能性の向上は、時間的情報をほとんど失わずに達成できる。
論文 参考訳（メタデータ） (2022-09-02T17:14:24Z) - Fast Doubly-Adaptive MCMC to Estimate the Gibbs Partition Function with
Weak Mixing Time Bounds [7.428782604099876]
Gibbs分布の実践的応用に対する大きな障害は、それらの分割関数を見積もる必要があることである。
本稿では,分割関数を厳密に推定する計算複雑性を低減する手法を提案する。
論文 参考訳（メタデータ） (2021-11-14T15:42:02Z) - Spike-and-Slab Generalized Additive Models and Scalable Algorithms for
High-Dimensional Data [0.0]
本稿では,高次元データに対応するため,階層型一般化加法モデル(GAM)を提案する。
曲線の適切な縮退と滑らか化関数線型空間と非線形空間の分離に対する平滑化ペナルティを考察する。
2つの決定論的アルゴリズム、EM-Coordinate Descent と EM-Iterative Weighted Least Squares は異なるユーティリティ向けに開発された。
論文 参考訳（メタデータ） (2021-10-27T14:11:13Z) - Efficient semidefinite-programming-based inference for binary and
multi-class MRFs [83.09715052229782]
分割関数やMAP推定をペアワイズMRFで効率的に計算する手法を提案する。
一般のバイナリMRFから完全多クラス設定への半定緩和を拡張し、解法を用いて再び効率的に解けるようなコンパクトな半定緩和を開発する。
論文 参考訳（メタデータ） (2020-12-04T15:36:29Z) - Autoregressive Score Matching [113.4502004812927]
自動回帰条件スコアモデル(AR-CSM)を提案する。
AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。
本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
論文 参考訳（メタデータ） (2020-10-24T07:01:24Z)
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。