文献

J-GLOBAL ID：201402209697477371   整理番号：14A1292869

金融リスク最小化に基づく拡張型ロバストサポートベクトルマシン

Extended Robust Support Vector Machine Based on Financial Risk Minimization

著者 (3件)： TAKEDA Akiko (Univ. Tokyo, Tokyo,, JPN) ,  FUJIWARA Shuhei (Univ. Tokyo, Tokyo,, JPN) ,  KANAMORI Takafumi (Nagoya Univ., Aichi, JPN)
資料名： Neural Computation  (Neural Computation)
巻： 26  号： 11  ページ： 2541-2569  発行年： 2014年11月 
JST資料番号： W0257A  ISSN： 0899-7667  資料種別： 逐次刊行物 (A)
記事区分： 短報  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本論文では,最近機械学習分野で用いられている金融リスク測度は部分加法性を備えているためにポピュラーであるが,分布のテール部分における若干の異常値に対しては極めて高感度になるという問題を抱えている。これに対し本論文では,金融リスク最小化に基づく拡張型ロバストサポートベクトルマシン(ER-SVM)という新しい分類手法を提案した。ここで提案した拡張型ロバストSVM,即ちER-SVMに関しては,その数学的定式化を行うとともに,ER-SVMのヒューリスティックアルゴリズムを提案した。さらに,ER-SVMの幾何学的解釈を提示し,その中で,ER-SVMの双対性,双対性ER-SVMの変換,CVaR(条件付き想定最大損失額)およびVaR(想定最大損失額)最小モデルとの関係などについて論じた。数値実験を行い,ER-SVMの評価を行い,既存モデルとの比較を行った。それにより提案ER-SVMの予測性能が優れていることを確認した。

シソーラス用語： *サポートベクトルマシン ,  *リスク分析 ,  リスク ,  金融 ,  *機械学習 ,  ロバスト性 ,  数学的性質 ,  発見的方法 ,  最小化問題 ,  異常値 ,  自動分類 ,  実験 ,  評価試験 ,  予測技法 ,  *金融リスク ,  数値実験
準シソーラス用語： ヒューリスティクス ,  リスク最小化 ,  想定最大損失額

分類 (3件)： ニューロコンピュータ  (JC06010Q) ,  原価管理一般  (KA05010E) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (3件)： 金融リスク ,  最小化 ,  拡張