[論文レビュー] Sequential hypothesis testing in machine learning driven crude oil jump detection

Michael Roberts, Indranil SenGupta|arXiv (Cornell University)|Apr 19, 2020

Market Dynamics and Volatility被引用数 1

ひとこと要約

本稿では、対数尤度比の無限小生成子を用いて、原油価格のジャンプを検出するための逐次仮説検定フレームワークを提案する。機械学習を用いて決定論的成分を抽出し、Barndorff-NielsenおよびShephardモデルを精緻化することで、商品価格データにおけるジャンプ検出の正確性が向上する。

ABSTRACT

In this paper we present a sequential hypothesis test for the detection of general jump size distrubution. Infinitesimal generators for the corresponding log-likelihood ratios are presented and analyzed. Bounds for infinitesimal generators in terms of super-solutions and sub-solutions are computed. This is shown to be implementable in relation to various classification problems for a crude oil price data set. Machine and deep learning algorithms are implemented to extract a specific deterministic component from the crude oil data set, and the deterministic component is implemented to improve the Barndorff-Nielsen and Shephard model, a commonly used stochastic model for derivative and commodity market analysis.

研究の動機と目的

• 一般ジャンプサイズ分布を有する原油価格データにおけるジャンプを検出するための逐次仮説検定を構築すること。
• 提案された検定フレームワーク下での対数尤度比の無限小生成子を導出し、分析すること。
• 理論的安定性を保証するため、上解と下解を用いて無限小生成子の境界を計算すること。
• 機械学習およびディープラーニングモデルを統合して、原油価格データからの決定論的成分を抽出すること。
• 学習された決定論的成分を統合することで、Barndorff-NielsenおよびShephard確率的モデルのジャンプ検出能力を向上させること。

提案手法

• 原油価格プロセスにおけるジャンプサイズ分布の尤度比に基づく逐次仮説検定を定式化すること。
• 統計的証拠の蓄積のダイナミクスをモデル化するため、対数尤度比プロセスの無限小生成子を導出すること。
• 安定性と収束性を保証するため、上解と下解を用いて無限小生成子の理論的境界を確立すること。
• 機械学習およびディープラーニングアルゴリズムを用いて、歴史的原油価格データからの決定論的トレンドまたは成分を抽出すること。
• 抽出された決定論的成分をBarndorff-NielsenおよびShephardモデルに統合し、ジャンプ検出能力を向上させること。
• 実際の原油価格データセットに強化モデルを実装し、ジャンプイベント関連の分類タスクにおける性能を評価すること。

実験結果

リサーチクエスチョン

• RQ1 金融時系列における一般ジャンプサイズ分布を有するジャンプを検出するために、逐次仮説検定をどのように適合させることができるか。
• RQ2 ジャンプ検出の文脈において、対数尤度比プロセスの無限小生成子とは何か。また、それらをどのように境界化できるか。
• RQ3 機械学習は、確率的モデルへの応用を目的とした原油価格データからの決定論的成分の検出をどの程度向上させられるか。
• RQ4 学習された決定論的成分を統合することで、Barndorff-NielsenおよびShephardモデルの価格ジャンプ検出性能はどのように向上するか。
• RQ5 提案されたフレームワークは、実世界の商品市場データにおいて、ジャンプイベントの分類に効果的に実装可能か。

主な発見

• 対数尤度比プロセスの無限小生成子が正常に導出され、分析され、逐次的状況下での動的ジャンプ検出を可能にした。
• 上解と下解を用いて無限小生成子の理論的境界が計算され、検定統計量の安定性と収束性が保証された。
• 機械学習およびディープラーニングモデルが、原油価格データからの決定論的成分の抽出に効果的に機能し、モデルの解釈可能性と予測力が向上した。
• 学習された決定論的成分をBarndorff-NielsenおよびShephardモデルに統合することで、データセットにおけるジャンプ検出能力が向上した。
• 提案されたフレームワークは、原油価格ジャンプの分類という実用的問題への適用が可能であり、商品市場応用において有望であることが示された。