用于二阶矩与广义高斯分布的动态玻尔兹曼机
机器学习
2017-12-19 v1 机器学习
神经与进化计算
摘要
动态玻尔兹曼机（DyBM）已被证明在预测时间序列数据方面极为高效。高斯 DyBM 是一种假设预测数据由高斯分布生成、其一阶矩（均值）随时间动态变化而二阶矩（方差）固定的 DyBM。然而，在许多金融应用中，该假设在两方面的局限性很大。首先，即便数据服从高斯分布，其方差也可能随时间变化。此类方差还与市场波动率等重要的时间经济指标相关。其次，金融时间序列数据常常需要学习由广义高斯分布生成的数据集，该分布带有一个对逼近重尾分布十分重要的附加形状参数。针对这些方面，我们展示了如何扩展 DyBM，从而在金融时间序列数据预测上取得显著的性能提升。
引用
@article{arxiv.1712.06132,
title = {Dynamic Boltzmann Machines for Second Order Moments and Generalized Gaussian Distributions},
author = {Rudy Raymond and Takayuki Osogami and Sakyasingha Dasgupta},
journal= {arXiv preprint arXiv:1712.06132},
year = {2017}
}
备注
7 pages, 3 figures. Accepted and presented in NIPS 2017 (time-series workshop) at Long Beach, California