Year: 2024
Type: dissertation
Abstract: En els darrers anys, les tècniques generatives d'aprenentatge profund han vist un ampli ús, especialment en la generació d'imatges i text. Aquests mètodes també s'han mostrat prometedors en la generació de dades de sèries temporals, fins i tot en dominis continus. No obstant això, tenen dificultats per capturar certes distribucions de probabilitat, com les distribucions de cua pesada comúment observades en els rendiments d'actius financers. Aquesta limitació sorgeix de la continuïtat Lipschitz de les xarxes neuronals generadores, que impedeix la generació de distribucions amb cues més pesades que el soroll previ utilitzat en aquests mètodes. Utilitzar senzillament un soroll previ més pesat porta a problemes d'estabilitat i extrapolació. Per abordar aquest repte, el nostre treball proposa un enfocament innovador. Reduïm les dades d'entrenament de sèries temporals a l'espai de paràmetres d'una funció de distribució acumulativa de cua pesada, on els paràmetres evolucionen amb el temps. Després, s'utilitzen tècniques d'aprenentatge profund per generar aquesta evolució de paràmetres, aprofitant la distribució de probabilitat més favorable de les dades transformades. Finalment, es generen sèries temporals en l'espai original de les dades mitjançant la transformació inversa de l'espai de paràmetres utilitzant la funció quantil, el que resulta en un modelatge més precís de la distribució de la cua.
Author: Vilella Piqué, Arnau
Language: Catalan
Field: Decision Sciences
Domain: Social Sciences
Open Access status: green
OpenAlex ID: W7019133035