高斯过程波动率模型
提出了一种将随机波动模型更改为具有特殊协方差函数的分层高斯过程模型的方法,使其可以根据历史数据产生真正的后验分布,同时还将基于大量已研究的领域的启发式设计用于多任务学习,实现了比基线模型更好的股票和风速预测。
Jul, 2022
这篇论文研究了如何利用数值和概率模型进行高频交易的短期波动率和回报预测,通过在 Numerical Market Prediction 模型的输出上应用高斯过程,使用修正后的股价数据建立了一个被审查的高斯过程模型,评估了预测误差。
Nov, 2023
该研究提出了一种使用贝叶斯方法的动态模型来准确预测多元金融数据中的时间变化协方差,通过假设参数值的扩散过程来捕捉市场条件的变化,使用粒子滤波器进行计算,解决了超拟合、局部最优和大量计算成本等问题。实验结果表明该算法在金融数据分析中表现出色。
May, 2013
介绍了一种基于随机变分推断方法的高斯过程模型,该方法使高斯过程模型能够应用于包含数百万数据点的数据集,并在需要执行变分推断的情况下,演示了如何将高斯过程分解为依赖于一组全局相关的引出变量的方法,并将其扩展到基于高斯过程的潜变量模型和具有非高斯似然度的模型。作者在简单玩具问题和两个真实数据集上展示了这种方法。
Sep, 2013
本文提出了一种用于高斯过程建模的新方法,其中计算要求随着数据集的大小呈线性比例增长,与天文时间序列数据的应用作为例子,演示了此方法可用于概率推断星体旋转周期、星震振荡谱和凌星行星参数等问题,具有快速、可解释、可适用于天文数据分析和其他领域等优点。
Mar, 2017
本文提出了使用高斯过程模型来进行非参数回归,分类等任务,通过使用马尔科夫链方法对高斯过程的协方差函数的超参数进行采样,可以发现数据的高级特性并实现预测响应所需输入的相关性。
Jan, 1997
本研究提出了一种名为 VAR-GPs 的方法,采用贝叶斯定理作为框架,在通过观察数据在线连续学习过程中解决后验更新的问题,并使用稀疏诱导点逼近可扩展后验概率分布,从而避免了灾难性遗忘的问题。经过实验验证,在现代连续学习基准测试中,VAR-GPs 表现优异,证明了作者们建模选择的功效。
Jun, 2020
本研究使用高斯过程(GPs)探索了对具有基本结构的均值回归时间序列进行预测的应用,使用相对未开发的函数和增强数据结构。通过模拟数据,我们可以将预测分布与测试集的实际分布进行比较,从而减少对实际数据进行时间序列模型测试时固有的不确定性。
Feb, 2024