文献

J-GLOBAL ID：201802277410333174   整理番号：18A0443904

生成曲線予測への統計的機械学習アプローチ【Powered by NICT】

A statistical machine learning approach to yield curve forecasting

著者 (2件)： Sambasivan Rajiv (Chennai Mathematical Institute, H1, SIPCOT IT Park, Siruseri, Kelambakkam 603103) ,  Das Sourish (Chennai Mathematical Institute, H1, SIPCOT IT Park, Siruseri, Kelambakkam 603103)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ICCIDS  ページ： 1-6  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 収量曲線予測は,金融における重要な問題である。本研究では,収率曲線をモデル化するために,Kalmanフィルタのような,動的モデリング戦略と結合したGauss過程の利用を検討した。Gauss過程は種々の応用における機能的データをモデル化するために適用することに成功した。Gaussプロセス収率曲線をモデル化した。アルゴリズムは降伏曲線データを受信するとしてGauss過程モデルのハイパーパラメータを更新した。収量曲線データは1日の頻度で時系列として典型的に利用可能である。を提案した方法で収率曲線を予測するための既存の方法を比較した。本研究の結果は,競合法(多変量時系列法)を収率曲線の短期構造領域で収率を予測において良い成績を残したが,Gauss過程は降伏曲線の中・長期的構造領域において良好に働くことを示した。収率曲線の長期構造領域における精度は重要な実用的な意味を持った。Gauss過程フレームワークは他の競合する方法とは対照的に直接不確実性と確率推定値を与えた。アナリストがこの情報で頻繁に興味を持っている。本研究で提案した方法は,曲線予測を得るために適用されてきたが,他の領域における高頻度時系列データまたはデータストリームをモデル化するために適用することができる。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 統計的推定 ,  Kalmanフィルタ ,  Gauss過程 ,  アルゴリズム ,  不確実性 ,  金融 ,  降伏 ,  モデリング ,  *予測
準シソーラス用語： データストリーム ,  時系列データ ,  多変量 ,  ハイパーパラメータ ,  動的モデリング ,  *統計的機械学習 , 【Automatic Indexing@JST】

分類 (3件)： 図形・画像処理一般  (JE04010I) ,  検索技術  (AC06020S) ,  システム・制御理論一般  (IA02010H)

タイトルに関連する用語 (3件)： 曲線 ,  予測 ,  統計的機械学習