คำถามติดแท็ก volatility-forecasting

ฉันเป็นนักวิเคราะห์ในสาขาการเงินและการประกันภัยและเมื่อใดก็ตามที่ฉันพยายามปรับให้เข้ากับแบบจำลองความผันผวนฉันได้รับผลลัพธ์ที่น่ากลัว: ส่วนที่เหลือมักจะไม่คงที่ (ในแง่ของหน่วย) และ heteroskedastic รุ่น ARCH / GARCH ทำงานกับข้อมูลประเภทอื่นได้หรือไม่? แก้ไขเมื่อวันที่ 17/4/2558 15:07 เพื่อชี้แจงบางประเด็น

10 time-series  garch  volatility-forecasting  arch 

ตัวอย่าง: ฉันมีประโยคในรายละเอียดงาน: "วิศวกรอาวุโสของ Java ในสหราชอาณาจักร" ฉันต้องการที่จะใช้รูปแบบการเรียนรู้ที่ลึกที่จะคาดการณ์ว่ามันเป็น 2 ประเภทและEnglish IT jobsถ้าฉันใช้รูปแบบการจำแนกแบบดั้งเดิมมันสามารถทำนายได้เพียง 1 ฉลากที่มีsoftmaxฟังก์ชั่นที่ชั้นสุดท้าย ดังนั้นฉันสามารถใช้โครงข่ายประสาทเทียม 2 แบบในการทำนาย "ใช่" / "ไม่" กับทั้งสองหมวดหมู่ แต่ถ้าเรามีหมวดหมู่มากขึ้นมันก็แพงเกินไป ดังนั้นเราจึงมีรูปแบบการเรียนรู้หรือการเรียนรู้ด้วยเครื่องเพื่อคาดการณ์ 2 หมวดหมู่ขึ้นไปพร้อมกันหรือไม่ "แก้ไข": ด้วย 3 ป้ายกำกับโดยวิธีดั้งเดิมมันจะถูกเข้ารหัสโดย [1,0,0] แต่ในกรณีของฉันมันจะถูกเข้ารหัสโดย [1,1,0] หรือ [1,1,1] ตัวอย่าง: หากเรามี 3 ป้ายกำกับและประโยคอาจเหมาะกับป้ายกำกับเหล่านี้ทั้งหมด ดังนั้นถ้าผลลัพธ์จากฟังก์ชัน softmax คือ [0.45, 0.35, 0.2] เราควรแบ่งมันออกเป็น 3 label หรือ 2 label หรืออาจเป็นหนึ่ง? ปัญหาหลักเมื่อเราทำคือ: …

9 machine-learning  deep-learning  natural-language  tensorflow  sampling  distance  non-independent  application  regression  machine-learning  logistic  mixed-model  control-group  crossover  r  multivariate-analysis  ecology  procrustes-analysis  vegan  regression  hypothesis-testing  interpretation  chi-squared  bootstrap  r  bioinformatics  bayesian  exponential  beta-distribution  bernoulli-distribution  conjugate-prior  distributions  bayesian  prior  beta-distribution  covariance  naive-bayes  smoothing  laplace-smoothing  distributions  data-visualization  regression  probit  penalized  estimation  unbiased-estimator  fisher-information  unbalanced-classes  bayesian  model-selection  aic  multiple-regression  cross-validation  regression-coefficients  nonlinear-regression  standardization  naive-bayes  trend  machine-learning  clustering  unsupervised-learning  wilcoxon-mann-whitney  z-score  econometrics  generalized-moments  method-of-moments  machine-learning  conv-neural-network  image-processing  ocr  machine-learning  neural-networks  conv-neural-network  tensorflow  r  logistic  scoring-rules  probability  self-study  pdf  cdf  classification  svm  resampling  forecasting  rms  volatility-forecasting  diebold-mariano  neural-networks  prediction-interval  uncertainty 

ฉันไม่ทราบว่าเป็นหัวข้อนอกเรื่องทั้งหมดหรือไม่ แต่ฉันคิดว่ามันอาจมีประโยชน์ในการมีความคิดเห็นและคำตอบโดยรวมเกี่ยวกับสาเหตุที่ความผันผวนเป็นหัวข้อสำคัญในเศรษฐศาสตร์การเงิน ฉันคิดว่ามันเริ่มต้นด้วยทฤษฎีพอร์ตโฟลิโอและความต้องการที่จะเข้าใจคุณสมบัติของช่วงเวลาที่สองพื้นฐานของผลตอบแทนสินทรัพย์ ต่อมาสูตร Black-Scholes และความนิยมของตราสารอนุพันธ์ทำให้เอนทิตีนี้สำคัญมากในด้านการเงิน

9 finance  volatility-forecasting