[논문 리뷰] Sequential hypothesis testing in machine learning driven crude oil jump detection

Michael Roberts, Indranil SenGupta|arXiv (Cornell University)|2020. 04. 19.

Market Dynamics and Volatility인용 수 1

한 줄 요약

이 논문은 원유 가격의 점프를 탐지하기 위해 로그우도비의 무한소 생성자(Infinitesimal generators)를 사용하는 순차적 가설 검정 프레임워크를 제안한다. 기계학습을 통한 결정론적 성분 추출과 바른도르프-니엘슨 및 셰퍼드 모델의 정교화를 통해, 이 방법은 자원 가격 데이터에서 점프 탐지 정확도를 향상시킨다.

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.

연구 동기 및 목표

• 일반적인 점프 크기 분포를 가진 원유 가격 데이터에서 점프를 탐지하기 위한 순차적 가설 검정을 개발하는 것.
• 제안된 검정 프레임워크 하에서 로그우도비의 무한소 생성자를 유도하고 분석하는 것.
• 이론적 안정성을 확보하기 위해 초해결 및 초하락해결을 사용하여 무한소 생성자의 범위를 계산하는 것.
• 기계학습 및 딥러닝 모델을 통합하여 원유 가격 데이터에서 결정론적 성분을 추출하는 것.
• 학습된 결정론적 성분을 통합하여 바른도르프-니엘슨 및 셰퍼드 확률 모델을 개선하여 점프 탐지 능력을 향상시키는 것.

제안 방법

• 원유 가격 과정에서 점프 크기 분포의 우도비를 기반으로 한 순차적 가설 검정을 수립하는 것.
• 통계적 증거 춯적의 역학을 모델링하기 위해 로그우도비 과정의 무한소 생성자를 유도하는 것.
• 안정성과 수렴성을 보장하기 위해 초해결 및 초하락해결을 사용하여 무한소 생성자의 이론적 범위를 설정하는 것.
• 기계학습 및 딥러닝 알고리즘을 적용하여 역사적 원유 가격 데이터에서 결정론적 추세 또는 성분을 추출하는 것.
• 추출된 결정론적 성분을 바른도르프-니엘슨 및 셰퍼드 모델에 통합하여 점프 탐지 능력을 향상시키는 것.
• 실제 원유 가격 데이터 세트에 대해 향상된 모델을 구현하여 점프 사건과 관련된 분류 작업의 성능을 평가하는 것.

실험 결과

연구 질문

• RQ1 금융 시계열에서 일반적인 점프 크기 분포를 가진 점프를 탐지하기 위해 순차적 가설 검정을 어떻게 적응시킬 수 있는가?
• RQ2 점프 탐지 맥락에서 로그우도비 과정의 무한소 생성자는 무엇이며, 어떻게 그 범위를 구할 수 있는가?
• RQ3 기계학습은 원유 가격 데이터에서 결정론적 성분을 탐지하는 데 얼마나 효과적으로 기여할 수 있는가?
• RQ4 학습된 결정론적 성분을 통합함으로써 바른도르프-니엘슨 및 셰퍼드 모델의 가격 점프 탐지 성능은 어떻게 향상되는가?
• RQ5 제안된 프레임워크는 실세계 자원 시장 데이터에 효과적으로 구현되어 점프 사건의 분류에 활용될 수 있는가?

주요 결과

• 로그우도비 과정에 대한 무한소 생성자가 성공적으로 유도되고 분석되어 순차적 환경에서 동적 점프 탐지가 가능해졌다.
• 초해결 및 초하락해결을 사용하여 무한소 생성자의 이론적 범위가 계산되어 검정 통계량의 안정성과 수렴성을 확보하였다.
• 기계학습 및 딥러닝 모델은 원유 가격 데이터에서 결정론적 성분을 효과적으로 추출하여 모델의 해석 가능성과 예측 능력을 향상시켰다.
• 학습된 결정론적 성분을 바른도르프-니엘슨 및 셰퍼드 모델에 통합함으로써 데이터 세트에서의 점프 탐지 능력이 향상되었다.
• 제안된 프레임워크는 실질적인 원유 가격 점프 분류 문제에 효과적으로 적용 가능함을 입증하였으며, 자원 시장 응용 분야에서 잠재력을 보였다.