On the Impact of Feeding Cost Risk in Aquaculture Valuation and Decision Making

要約

私たちは、特に水産養殖に焦点を当てて、動物ベースの商品に対する確率的飼料コストの影響を研究しています。
より具体的には、大豆先物を使用してサケ飼料の確率的挙動を推論し、シュワルツ 2 因子モデルに従うと仮定します。
決定論的または確率論的な飼料コスト、つまり飼料コストのリスクを想定した決定ルールを使用して、サケの収穫の決定を比較します。
私たちは、確率論的な飼料コストを考慮することで大幅な改善につながるケースと、決定論的な飼料コストが十分に適切な代用となるケースを特定します。
それにもかかわらず、これらのすべてのケースにおいて、新たに導出されたルールは優れたパフォーマンスを示し、追加の計算コストは​​無視できます。
方法論的な観点から、ディープ ニューラル ネットワークを使用して、より古典的な回帰ベースのカーブ フィッティング手法を改良して、収集または継続を決定する決定境界を推論する方法を示します。
これを達成するために、深層分類器を使用します。これは、以前の結果を改善するだけでなく、高次元の問題に対して適切に拡張でき、さらに、この記事で特定するモデルの不確実性による影響を軽減します。
この記事で特定するモデルの不確実性による影響。

要約(オリジナル)

We study the effect of stochastic feeding costs on animal-based commodities with particular focus on aquaculture. More specifically, we use soybean futures to infer on the stochastic behaviour of salmon feed, which we assume to follow a Schwartz-2-factor model. We compare the decision of harvesting salmon using a decision rule assuming either deterministic or stochastic feeding costs, i.e. including feeding cost risk. We identify cases, where accounting for stochastic feeding costs leads to significant improvements as well as cases where deterministic feeding costs are a good enough proxy. Nevertheless, in all of these cases, the newly derived rules show superior performance, while the additional computational costs are negligible. From a methodological point of view, we demonstrate how to use Deep-Neural-Networks to infer on the decision boundary that determines harvesting or continuation, improving on more classical regression-based and curve-fitting methods. To achieve this we use a deep classifier, which not only improves on previous results but also scales well for higher dimensional problems, and in addition mitigates effects due to model uncertainty, which we identify in this article. effects due to model uncertainty, which we identify in this article.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google