基于高效 CNN-LSTM 的 Levy 驱动随机微分方程参数估计
机器学习
2024-03-08 v1 人工智能
机器学习
摘要
本研究解决了由非高斯噪声驱动的随机微分方程参数估计中的挑战，这对于理解价格波动和传染病传播等动态现象至关重要。先前的研究强调了 LSTM 网络在估计 alpha 稳定 Levy 驱动 SDE 参数方面的潜力，但面临时间复杂度高和 LSTM 链式属性限制等问题。为缓解这些问题，我们引入了 PEnet，这是一种基于 CNN-LSTM 的三阶段新颖模型，它提供了一种端到端的方法，具有更高的准确性和对不同数据结构的适应性，通过 CNN 对初始数据特征进行压缩从而提高了长序列观测的推理速度，并具备高泛化能力，使其能够应用于各种复杂的 SDE 场景。在合成数据集上的实验证实了 PEnet 在估计与噪声特性相关的 SDE 参数方面的显著优势，确立了其作为存在 Levy 噪声时 SDE 参数估计的竞争方法。
引用
@article{arxiv.2403.04246,
title = {Efficient CNN-LSTM based Parameter Estimation of Levy Driven Stochastic Differential Equations},
author = {Shuaiyu Li and Yang Ruan and Changzhou Long and Yuzhong Cheng},
journal= {arXiv preprint arXiv:2403.04246},
year = {2024}
}
备注
2023 International Conference on Machine Learning and Applications (ICMLA)