論文の概要: Nonparametric GARCH: An Iterated Neural Estimator

• arxiv url: http://arxiv.org/abs/2611.04157v1
• Date: Tue, 03 Nov 2026 01:48:22 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:31:24.924321
• Title: Nonparametric GARCH: An Iterated Neural Estimator
• Title（参考訳）: 非パラメトリックGARCH : 反復型ニューラル推定器
• Abstract要約: GARCH型プロセスの非パラメトリック推定と予測について検討する。 本稿では,再帰写像の推定と未観測条件分散の更新を交互に行う反復型ニューラルネットワーク推定器を提案する。
• 参考スコア（独自算出の注目度）: 6.486962335712537
• License:
• Abstract: We study nonparametric estimation and forecasting for GARCH-type processes and propose an iterated neural estimator that alternates between estimating the recursion map and updating the unobserved conditional variances. Under mild conditions, we establish finite-sample bounds for the time-averaged in-sample variance-path error and show that the estimator is minimax rate-optimal up to logarithmic factors. Under stationarity and mixing conditions, we establish the same rate for recursion-map estimation and derive finite-sample bounds for out-of-sample variance forecasts and expected excess Gaussian quasi-likelihood (QLIKE) loss. The convergence rates depend on the true lag orders and remain unchanged when the fitted orders are overspecified. Simulation studies illustrate the effectiveness of our estimators under nonlinear and time-varying volatility dynamics. Real-data applications suggest that our neural methods perform competitively and can incorporate option-price and high-frequency information.
• Abstract（参考訳）: 我々は,GARCH型プロセスの非パラメトリック推定と予測について検討し,再帰写像の推定と観測不能な条件分散の更新を交互に行う反復型神経推定器を提案する。 軽度条件下では,時間平均のインサンプル分散パス誤差に対して有限サンプル境界を設定し,推定器が対数係数まで最小値の速度最適値であることを示す。 定常条件と混合条件下では、再帰写像推定の同じ速度を確立し、サンプル外変動予測のための有限サンプル境界を導出し、ガウス準類似度(QLIKE)の損失を期待する。 収束速度は真のラグ順序に依存し、適合した順序が過剰に特定されたときに変化しない。 シミュレーション研究は, 非線形および時間変動ボラティリティダイナミクスによる推定値の有効性を示す。 実データアプリケーションは、我々のニューラルメソッドが競合的に動作し、オプション価格と高周波情報を組み込むことができることを示唆している。

関連論文リスト

• Conditional Diffusion for Nonparametric Instrumental Variable Quantile Regression [18.254578337569264]
  本研究では,条件拡散モデルとカーネルパラメトリック条件モーメント定式化を組み合わせた2段階推定器を提案する。 提案した推定器の余剰リスク境界を確立し,条件付き拡散モデルに対するエンドツーエンドの総変動保証を導出する。 シミュレーション研究と実データ応用により,提案手法が既存の非パラメトリックIVQR手法より優れていることを示す。
  論文  参考訳（メタデータ） (2026-08-08T16:01:24Z)
• Prediction-Powered Conditional Inference [15.801272841475681]
  本研究では,ラベル付きデータが少ない環境での予測型条件推論について検討する。 提案手法は,局所化と予測に基づく分散化を併用する。 シミュレーションおよび実データセットに関する数値実験は、有効な条件付きカバレッジを示す。
  論文  参考訳（メタデータ） (2026-03-05T17:13:06Z)
• Minimum Wasserstein distance estimator under covariate shift: closed-form, super-efficiency and irregularity [9.668478511115683]
  本稿では,結果の回帰や重み付けの明示的なモデリングを避けるために,最小ワッサースタイン距離推定フレームワークを提案する。 得られたW-推定器はクローズドフォーム表現を認め、古典的な1-アネレスト近傍推定器と数値的に等価である。 数値シミュレーションは降雨データセットの解析とともに、我々のW推定器の異常な性能を裏付けるものである。
  論文  参考訳（メタデータ） (2026-01-12T07:36:44Z)
• Error-quantified Conformal Inference for Time Series [55.11926160774831]
  時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。 量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。 ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
  論文  参考訳（メタデータ） (2025-02-02T15:02:36Z)
• Multivariate root-n-consistent smoothing parameter free matching estimators and estimators of inverse density weighted expectations [51.000851088730684]
  我々は、パラメトリックな$sqrt n $-rateで収束する、最も近い隣人の新しい修正とマッチング推定器を開発する。 我々は,非パラメトリック関数推定器は含まないこと,特に標本サイズ依存パラメータの平滑化には依存していないことを強調する。
  論文  参考訳（メタデータ） (2024-07-11T13:28:34Z)
• Nonparametric Quantile Regression: Non-Crossing Constraints and Conformal Prediction [2.654399717608053]
  本稿では,線形単位ペナルティ関数を補正したディープニューラルネットワークを用いた非パラメトリック量子レグレッション法を提案し,量子交差を回避する。 提案した非パラメトリック量子化回帰関数推定器の過剰リスクに対する非漸近上界を確立する。 シミュレーション研究と実データ例を含む数値実験を行い,提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2022-10-18T20:59:48Z)
• Near-optimal inference in adaptive linear regression [60.08422051718195]
  最小二乗法のような単純な方法でさえ、データが適応的に収集されるときの非正規な振る舞いを示すことができる。 我々は,これらの分布異常を少なくとも2乗推定で補正するオンラインデバイアス推定器のファミリーを提案する。 我々は,マルチアームバンディット,自己回帰時系列推定,探索による能動的学習などの応用を通して,我々の理論の有用性を実証する。
  論文  参考訳（メタデータ） (2021-07-05T21:05:11Z)
• Estimating Gradients for Discrete Random Variables by Sampling without Replacement [93.09326095997336]
  我々は、置換のないサンプリングに基づいて、離散確率変数に対する期待値の偏りのない推定器を導出する。 推定器は3つの異なる推定器のラオ・ブラックウェル化として導出可能であることを示す。
  論文  参考訳（メタデータ） (2020-02-14T14:15:18Z)
• On Low-rank Trace Regression under General Sampling Distribution [9.699586426043885]
  クロスバリデード推定器は一般仮定でほぼ最適誤差境界を満たすことを示す。 また, クロスバリデーション推定器はパラメータ選択理論に着想を得た手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2019-04-18T02:56:00Z)

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。