Nov, 2023

利用神经密度估计器和嵌入网络进行市场模拟的深度校准

PDF
TL;DR构建金融交易仿真器的能力，包括重现限价委托簿的动态，能够对许多反事实情景提供洞见，如闪崩、追加保证金或宏观经济前景的变化。近年来，已开发了能够重现交易所许多特征的基于代理的模型，由一组简化事实和统计数据总结。然而，将仿真器校准到特定的交易期间仍然是一个待解决的挑战。在本文中，我们借鉴深度学习的最新进展，特别是使用神经密度估计器和嵌入网络，提出了一种新的市场仿真器校准方法。我们证明了我们的方法能够正确识别高概率参数集，无论是应用于合成数据还是历史数据，而无需依赖手动选择或加权的简化事实集合。
financial exchangessimulatorlimit order bookagent-based modelscalibration
发现论文，激发创造
  • 应用神经网络的贝叶斯经济模拟模型估计

    近年来，由于计算能力的提高和灵活性的增强，模拟模型在经济学中变得越来越普遍。本文提出了一种使用深度神经网络构建类似于似然函数的近似方法以进行贝叶斯估计的方法，用于解决传统频率学派估计方法难以解决的问题，并对其进行了检验。总的来说，我们发现我们提出的方法在金融异质代理模型的估计以及模型中变化动力学的识别等多种情境下，能够持续地获得更准确的估计结果。

    Jun, 2019

  • 一个基于神经网络的金融模型校准框架

    提出了一种数据驱动的方法 CaNN （Calibration Neural Network），用于使用神经网络（ANN）校准金融资产价格模型。该机器学习框架可以有效和准确地校准高维随机波动模型的参数。

    Apr, 2019

  • 基于人工市场模拟的深度对冲实证分析

    深度对冲是一种利用深度学习来逼近最优对冲策略的方法，本研究提出了一种在深度对冲中使用人工市场模拟的新方法，可达到与传统方法几乎相同的效果，且无需使用数学金融模型。

    Apr, 2024

  • 基于模型的深度卷积神经网络仿真

    该论文研究使用虚拟环境训练 CNN 模型的有效性，并针对城市语义理解提出了一种简单的概率场景模型，开发了参数化渲染工具进行数据综合，并系统地探索了真实感水平对 CNN 模型普适性的影响以及域自适应概念，以减少性能偏差。

    May, 2016

  • 适应性学习的快速神经网络集成的认识建模不确定性

    在航空航天工程系统的高效设计探索中，使用嵌入仿真器的神经网络，并充分利用多样化数据源对多个模型实现进行训练，以评估由于训练样本不足而引起的认知建模不确定性，并在目标导向的自适应学习中提供关键信息。然而，由于集成模型的训练成本往往变得禁止并带来计算上的挑战，所以本研究提出使用快速神经网络范例的新型嵌入仿真器的神经网络，通过应用线性回归技术仅调整最后一层的连接权重，以在几乎即时训练的情况下保持预测准确性。该方法在多个分析实例和通用高超声速飞行器的航空参数研究中得到了验证。

    Sep, 2023

  • 使用图神经网络将基于代理的模型校准到微观数据

    该研究提出了使用时间图神经网络直接学习与微观数据相关的参数后验概率的方法，以进行 Bayesian 推断，并通过使用原始 ABM 微状态作为输出，提供高度引人入胜的归纳偏差。

    Jun, 2022

  • 深度学习解决和估计动态宏观金融模型

    本文介绍利用深度学习解决和估计金融经济学中的经典连续时间一般均衡模型的方法，并以两个实例说明其优点。

    May, 2023

  • 量子多参数估计的深度强化学习

    本研究提出了一种基于深度学习和强化学习的模型无关方法，实现了实际的贝叶斯量子计量任务，并在一个集成光电电路上证明了比标准方法更高的测量性能，这是实现完全基于人工智能的量子计量的重要一步。

    Sep, 2022

  • 面向金融的参数化神经网络

    提出一种神经网络架构，它可以学习一组不同数据样本的模型类，从而减少过拟合问题，应用到资产管理中的传统问题 —— 扩散曲线校准问题，并解决了环境、社会及公司治理评级对债券利差的影响问题。

    Apr, 2023

  • 应用深度学习校准随机波动率模型

    基于深度学习技术的差分深度学习（DDL）方法应用于 Heston 模型下的欧式期权定价与标定，DDL 技术通过快速训练和准确的定价显著减少了 Heston 模型的标定计算时间，并表现优于传统深度学习方法。

    Sep, 2023