[论文解读] 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 1

一句话总结

本文提出了一种基于对数似然比的无穷小生成元的序列假设检验框架，用于检测原油价格中的跳跃。通过整合机器学习以提取确定性成分，并对Barndorff-Nielsen和Shephard模型进行优化，该方法提高了商品价格数据中跳跃检测的准确性。

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.

研究动机与目标

• 开发一种用于检测原油价格数据中跳跃的序列假设检验方法，跳跃大小分布具有一般性。
• 推导并分析所提出检验框架下对数似然比过程的无穷小生成元。
• 使用上解和下解计算无穷小生成元的边界，以确保理论上的鲁棒性。
• 整合机器学习和深度学习模型，从原油价格数据中提取确定性成分。
• 通过整合学习到的确定性成分，改进Barndorff-Nielsen和Shephard随机模型，以提升跳跃检测性能。

提出的方法

• 基于原油价格过程中跳跃大小分布的似然比，制定序列假设检验。
• 推导对数似然比过程的无穷小生成元，以建模统计证据累积的动力学。
• 使用上解和下解建立无穷小生成元的理论边界，以确保检验统计量的稳定性和收敛性。
• 应用机器学习和深度学习算法，从历史原油价格数据中提取确定性趋势或成分。
• 将提取到的确定性成分整合到Barndorff-Nielsen和Shephard模型中，以优化其跳跃检测能力。
• 在真实原油价格数据集上实施改进后的模型，评估其在跳跃事件分类任务中的性能。

实验结果

研究问题

• RQ1 如何将序列假设检验方法适应于金融时间序列中具有通用跳跃大小分布的跳跃检测？
• RQ2 在跳跃检测背景下，对数似然比过程的无穷小生成元是什么，如何对其进行边界约束？
• RQ3 机器学习在提取原油价格数据中确定性成分方面的改进程度如何，以用于随机模型？
• RQ4 将学习到的确定性成分整合后，如何提升Barndornielsen和Shephard模型在检测价格跳跃方面的性能？
• RQ5 所提出的框架能否在实际商品市场数据中有效实施，以实现跳跃事件的分类？

主要发现

• 成功推导并分析了对数似然比过程的无穷小生成元，实现了序列环境下动态跳跃检测。
• 使用上解和下解计算了无穷小生成元的理论边界，确保了检验统计量的稳定性和收敛性。
• 机器学习和深度学习模型有效提取了原油价格数据中的确定性成分，提升了模型的可解释性和预测能力。
• 将学习到的确定性成分整合到Barndorff-Nielsen和Shephard模型中，显著增强了其在数据集中检测跳跃的能力。
• 所提出的框架在涉及原油价格跳跃的实用分类问题中表现出可实施性，显示出在商品市场应用中的潜力。