利用波动性核和移动平均均值的高斯过程精准预测

ICMLJul, 2022

利用波动性核和移动平均均值的高斯过程精准预测

Volatility Based Kernels and Moving Average Means for Accurate Forecasting with Gaussian Processes

Gregory Benton, Wesley J. Maddox, Andrew Gordon Wilson

TL;DR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。

Abstract

A broad class of stochastic volatility models are defined by systems of stochastic differential equations. While these models have seen widespread success in domains such as finance and statistical climatology, they typically lack an ability to condition on historical data to produce a

stochastic volatility models posterior distribution hierarchical gaussian process stock forecasting multitask learning

发现论文，激发创造

使用高斯过程 (GPs) 进行高频交易的短期波动率估计

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

高斯过程波动率模型

使用高斯过程的贝叶斯方法预测金融数据中的时间变化方差，相较于标准模型，新模型具有更高的预测性能。

Feb, 2014

快速可扩展的高斯过程建模及其在天文时间序列中的应用

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

深入的高斯过程的非稳态卷积核的统一视角

高斯过程常用于数据的随机函数逼近和不确定性量化，在机器学习中它们表现出优秀的预测能力，尤其在数据稀缺场景下，但核函数作为高斯过程的重要构建模块，通常需要进行复杂的定制，我们通过研究代表性数据集中多种核函数的表现、性质和性能，提出了一种融合现有核函数优点的新核函数。

Sep, 2023

利用高斯过程提升均值回归时间序列预测：金融预测中的功能性和增强数据结构

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

使用随机梯度哈密顿蒙特卡罗推断深高斯过程

本研究使用随机梯度哈密尔顿蒙特卡洛方法对深层高斯过程模型的非高斯后验分布抽样，提供了一种新的推断方法，成为 Deep Gaussian Processes 领域新的最优模型。

Jun, 2018

贝叶斯回归和分类高斯过程模型的蒙特卡罗实现

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

高斯过程的恒定时间预测分布

本文提出一种基于 Lanczos 算法的方法 LOVE（LanczOs Variance Estimates）来解决高斯过程回归的计算瓶颈，大大提高了协方差的计算效率和采样速度。

Mar, 2018

深高斯过程的双随机变分推断

本文介绍了一种基于双随机变分推断的方法，用于深度高斯过程模型（Deep Gaussian processes）的推断。该方法能够有效地处理数百个到十亿个数据点的分类和回归任务，验证了其推断模型的实用性。

May, 2017

神经随机波动率模型

这篇论文展示了最近将统计模型与深度循环神经网络相结合提供了一种描述波动度（时间序列的变化程度）模型的新方法，其中包含了一对互补随机循环神经网络，应用在金融领域的时间序列分析和预测。在实现的过程中，作者着重处理了基于随机循环神经网络的波动度动态变化。实际基于股票价格数据的实验证明，这个模型的波动度预测比其他流行模型例如确定性模型 (GARCH)、基于 MCMC 的模型 (stochvol) 和高斯波动过程模型 (GPVol) 有更高的可靠性。

Nov, 2017