Presentamos un marco de inferencia variacional para ecuaciones diferenciales estocásticas (EDS) impulsadas por Lévy, en el que la posterior aproximada se expresa como un proceso de Lévy inclinado, con la medida de salto previa re-ponderada por un factor exponencial aprendido y el componente browniano adquiriendo la corrección de score estándar. Aunque nuestros experimentos se centran en procesos estables, la construcción de cambio de medida se aplica a la clase más amplia de procesos de Lévy, abriendo una ruta hacia la inferencia posterior escalable en modelos con estructura de salto no gaussiana general. La parametrización neuronal cuadrática es el dispositivo computacional que hace esto tratable, produciendo constantes de normalización en forma cerrada y un muestreador de rechazo exacto para la ley de salto inclinada.
Validación Experimental
Validamos nuestro marco en dos entornos que exhiben dinámicas de cola pesada pronunciadas: (i) datos sintéticos con parámetros reales y (ii) una tarea desafiante de pronóstico del mundo real.
Pronóstico Financiero Multivariado
Evaluamos las diez acciones conjuntamente (una EDS de 10 dimensiones) en 302 ventanas de evaluación móviles, utilizando el energy score como la regla de puntuación multivariada principal junto con el CRPS por dimensión. NJ-SDE divergió en todas las ejecuciones multivariadas y fue excluido. La tabla a continuación reporta los resultados.
| Modelo | CRPS (promedio) | Energy Score (promedio) |
|---|---|---|
| Nuestro Modelo | valor | valor |
| Neural MJD | valor | valor |
Nuestro modelo logra un rendimiento promedio de última generación, igualando a Neural MJD en CRPS (nuestro valor vs su valor) y energy score (nuestro valor vs su valor), con la distinción emergiendo en el rendimiento de cola.
Conclusión
Introdujimos un marco de inferencia variacional para EDS impulsadas por Lévy en el que la posterior aproximada se expresa como un proceso de Lévy inclinado, con la medida de salto previa re-ponderada por un factor exponencial aprendido y el componente browniano adquiriendo la corrección de score estándar. Aunque nuestros experimentos se centran en procesos estables, la construcción de cambio de medida se aplica a la clase más amplia de procesos de Lévy, abriendo una ruta hacia la inferencia posterior escalable en modelos con estructura de salto no gaussiana general. La parametrización neuronal cuadrática es el dispositivo computacional que hace esto tratable, produciendo constantes de normalización en forma cerrada y un muestreador de rechazo exacto para la ley de salto inclinada.
Detalles de Optimización
Tanto los modelos TS como los EDS gaussianos usan la misma parametrización de deriva neuronal (un MLP de una capa oculta con ancho 64). Encontramos que aumentar el ancho de la deriva consistentemente degradaba el rendimiento predictivo, sugiriendo que una red de deriva pequeña actúa como un regularizador efectivo al evitar que la deriva absorba variabilidad que debería atribuirse al proceso de ruido latente.
Preguntas Frecuentes
¿El marco de inclinación se aplica más allá de los procesos de Lévy estables?
Sí. La construcción de cambio de medida se aplica a la clase más amplia de procesos de Lévy, no solo a los procesos estables. Los experimentos se centran en procesos estables para validación, pero la teoría se extiende a la estructura de salto no gaussiana general.
¿Qué ventaja computacional proporciona la parametrización neuronal cuadrática?
La forma cuadrática produce constantes de normalización en forma cerrada y permite un muestreador de rechazo exacto para la ley de salto inclinada, haciendo que el enfoque sea tratable y escalable en la práctica.
¿Por qué NJ-SDE divergió en el pronóstico financiero multivariado?
NJ-SDE divergió en todas las ejecuciones multivariadas y por lo tanto fue excluido de los resultados reportados. La divergencia ocurrió en las 302 ventanas de evaluación móviles.
¿Cómo se dimensionaron las redes de deriva neuronales entre los modelos competidores?
Tanto los modelos TS como los EDS gaussianos usaron la misma arquitectura: un MLP de una capa oculta con ancho 64. El artículo nota que aumentar el ancho de la deriva degradó el rendimiento, actuando como regularizador.
¿Qué métricas de puntuación se usaron para el pronóstico multivariado?
La regla de puntuación multivariada principal fue el energy score, complementada por CRPS por dimensión. Estas métricas permitieron la comparación de pronósticos de distribución completa.
¿El marco se limita a series temporales financieras?
No. El artículo valida el marco tanto en datos sintéticos con parámetros reales como en tareas desafiantes de pronóstico del mundo real, demostrando una aplicabilidad más amplia a cualquier entorno de dinámicas de cola pesada.