Forecasting VIX using Bayesian Deep Learning

要約

最近では、価格予測タスクの最初の選択肢として、ディープ ラーニング技術が従来の統計モデルや機械学習モデルに徐々に取って代わりつつあります。
このペーパーでは、ボラティリティ指数 VIX を推論するために確率的深層学習を活用します。
私たちは、WaveNet、Temporal Convolutional Network (TCN)、および Transformers の確率論的対応物を採用しています。
TCN は RMSE が約 0.189 で、すべてのモデルよりも優れていることがわかります。
さらに、最新のニューラル ネットワークでは不正確な推定値が得られることはよく知られています。
この問題を解決するために、標準偏差スケーリングを使用してネットワークを調整します。
さらに、ガウス事前分布を使用した MNF は、精度と不確実性予測の点で、再パラメータ化トリック モデルとフリップアウト モデルよりも優れていることがわかりました。
最後に、Cauchy と LogUniform の事前分布を含む MNF は、よく調整された TCN を生成し、VIX 値を最もよく推測するのは前者である WaveNet ネットワークであると主張します。

要約(オリジナル)

Recently, deep learning techniques are gradually replacing traditional statistical and machine learning models as the first choice for price forecasting tasks. In this paper, we leverage probabilistic deep learning for inferring the volatility index VIX. We employ the probabilistic counterpart of WaveNet, Temporal Convolutional Network (TCN), and Transformers. We show that TCN outperforms all models with an RMSE around 0.189. In addition, it has been well known that modern neural networks provide inaccurate uncertainty estimates. For solving this problem, we use the standard deviation scaling to calibrate the networks. Furthermore, we found out that MNF with Gaussian prior outperforms Reparameterization Trick and Flipout models in terms of precision and uncertainty predictions. Finally, we claim that MNF with Cauchy and LogUniform prior distributions yield well calibrated TCN and WaveNet networks being the former that best infer the VIX values.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google