論文の概要: Estimating "Realized" Skewness using Convolutional Neural Network

• arxiv url: http://arxiv.org/abs/2611.04598v1
• Date: Tue, 03 Nov 2026 09:53:48 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:36:00.083272
• Title: Estimating "Realized" Skewness using Convolutional Neural Network
• Title（参考訳）: 畳み込みニューラルネットワークによる「再帰」スキューネスの推定
• Abstract要約: 高周波データ(5分)を利用した低周波スキューネス(月毎)の新しい推定器を提案する。 モンテカルロ実験(英語版)は、跳躍となしのボラティリティモデルを含む実験により、推定器が有限サンプルバイアスを減少させることを示した。 我々の推定器は時間的安定性を示し、実際に歪んだポートフォリオで横断的な性能を提供する。
• 参考スコア（独自算出の注目度）: 3.2880869992413246
• License:
• Abstract: We propose a new estimator of low-frequency skewness (monthly) that exploits high-frequency data (5 min) through a direct functional mapping consisting of layers of Convolutional Neural Networks followed by Multi Layer Perceptrons. Monte Carlo experiments involving stochastic volatility models, with and without jumps, show that the estimator reduces finite-sample bias relative to existing realized-skewness estimators and remains accurate under model misspecification. Empirically, our estimator exhibits temporal stability and delivers cross-sectional performance in actual skewness-sorted portfolios. We characterize the finite-sample bias of conventional plug-in skewness estimators and establish risk consistency properties of the proposed NN estimator under standard regularity conditions.
• Abstract（参考訳）: 本稿では、畳み込みニューラルネットワークの層からなる直接関数マッピングにより、高周波データ(5分)を利用する低周波スキューネスの新しい推定器を提案する。 確率的ボラティリティモデルを含むモンテカルロの実験は、ジャンプと無ジャンプを伴って、推定器が既存の実効性スクイーネス推定器と比較して有限サンプルバイアスを減少させ、モデルの非特異性の下では精度が保たれることを示した。 実験的に,我々の推定器は時間的安定性を示し,実際に歪んだポートフォリオにおいて横断的な性能を提供する。 我々は,従来のプラグインスキューネス推定器の有限サンプルバイアスを特徴付け,標準正規性条件下で提案したNN推定器のリスク一貫性特性を確立する。

関連論文リスト

• Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
  フローマッチングは拡散に基づく生成モデルに代わる有望な選択肢である。 いくつかの理論的解析は、速度場が正確な経験的リスク最小化によって得られると仮定して学習手順を理想化する。 我々は,有限サンプル統計誤差と有限時間経験的最適化誤差の両方を明示的に考慮した,フローマッチングのための経験的リスク最小化手法を考案した。
  論文  参考訳（メタデータ） (2026-11-01T04:31:34Z)
• A Simple Approximate Bayesian Inference Neural Surrogate for Stochastic Petri Net Models [0.0]
  後部分布フレームワークのニューラルネットワークに基づく近似を導入する。 我々のモデルは、Gilespie-simulated SPN realizations上で訓練された1D Convolutional Residual Networkを使用する。 20%の欠落事象を持つ合成SPNでは, RMSE = 0.108で速度関数係数を回復し, 従来のベイズ手法よりもかなり高速に動作する。
  論文  参考訳（メタデータ） (2025-07-14T18:31:19Z)
• Bayesian Cramér-Rao Bound Estimation with Score-Based Models [3.4480437706804503]
  ベイジアンクラム・ラオ境界(英語版)(英: Bayesian Cram'er-Rao bound, CRB)は、任意のベイジアン推定器の平均二乗誤差に対する下界を与える。 本研究は,スコアマッチングを用いたCRBのための新しいデータ駆動推定手法を提案する。
  論文  参考訳（メタデータ） (2023-09-28T00:22:21Z)
• Likelihood-Free Parameter Estimation with Neural Bayes Estimators [0.0]
  ニューラルネットワークは、データをパラメータポイント推定にマッピングするニューラルネットワークである。 我々は,この比較的新しい推論ツールに対する統計学者の意識を高め,ユーザフレンドリーなオープンソースソフトウェアを提供することで,その採用を促進することを目的としている。
  論文  参考訳（メタデータ） (2022-08-27T06:58:16Z)
• 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)
• Robust Implicit Networks via Non-Euclidean Contractions [63.91638306025768]
  暗黙のニューラルネットワークは、精度の向上とメモリ消費の大幅な削減を示す。 彼らは不利な姿勢と収束の不安定さに悩まされる。 本論文は,ニューラルネットワークを高機能かつ頑健に設計するための新しい枠組みを提供する。
  論文  参考訳（メタデータ） (2021-06-06T18:05:02Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Multi-View Spectral Clustering Tailored Tensor Low-Rank Representation [105.33409035876691]
  本稿では,テンソル低ランクモデルに基づくマルチビュースペクトルクラスタリング(MVSC)の問題について検討する。 MVSCに適合する新しい構造テンソル低ランクノルムを設計する。 提案手法は最先端の手法よりもかなり優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-30T11:52:12Z)

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。