使用可能的异质动力学估算时间序列数据的价值风险是一项高度挑战的任务。通常，我们面临着一个小的数据问题，结合了高度的非线性，因此对于经典和机器学习估计算法造成了困难。在本文中，我们提出了使用长期记忆（LSTM）神经网络的新型价值估计器，并将其性能与基准GARCH估计器进行比较。我们的结果表明，即使在相对较短的时间序列中，LSTM也可以用于完善或监视风险估计过程，并以非参数方式正确识别潜在的风险动态。我们对模拟和市场数据的估计器进行了评估，重点是异方差，发现LSTM在模拟数据上表现出与GARCH估算器相似的性能，而在实际市场数据上，它对增加波动性或降低波动性更为敏感，并且优于所有现有的现有估计器在异常率和平均分位数评分方面，价值风险。
translated by 谷歌翻译
在整个2019年冠状病毒疾病（COVID-19）大流行中，决策者依靠预测模型来确定和实施非药物干预措施（NPI）。在构建预测模型时，需要从包括开发人员，分析师和测试人员在内的各种利益相关者进行不断更新的数据集，以提供精确的预测。在这里，我们报告了可扩展管道的设计，该管道可作为数据同步，以支持国际自上而下的时空时空观察和covid-19的预测模型，名为Where2test，用于德国，捷克西亚和波兰。我们已经使用PostgreSQL构建了一个操作数据存储（ODS），以连续合并多个数据源的数据集，执行协作工作，促进高性能数据分析和跟踪更改。 ODS不仅是为了存储来自德国，捷克和波兰的COVID-19数据，而且还存储了其他领域。元数据的模式采用维数事实模型，能够同步这些区域的各种数据结构，并且可以扩展到整个世界。接下来，使用批处理，转移和负载（ETL）作业填充ODS。随后创建了SQL查询，以减少为用户预处理数据的需求。然后，数据不仅可以支持使用版本控制的Arima-Holt模型和其他分析来预测，以支持决策制定，还可以风险计算器和优化应用程序。数据同步以每天的间隔运行，该间隔显示在https://www.where2test.de上。
translated by 谷歌翻译
对深度学习应用的兴趣增加，以及他们的难以检测的偏见导致需要验证和解释复杂模型。然而，目前的说明方法是有限的，只要对推理过程和预测结果的解释来说都是如此。它们通常只显示模型预测很重要的图像中的位置。缺乏与解释互动的可能性使得难以确切地验证和理解模型如何工作。使用模型时，这会产生重大风险。通过解释不考虑解释的物体的语义含义，它变得复杂。为了逃避静态说明的陷阱，我们提出了一种称为Limecraft的方法，该方法允许用户交互地选择语义一致区域，并彻底检查图像实例的预测，在许多图像特征中。几种模型的实验表明，我们的方法通过检查可能表示模型偏差的图像片的模型公平来提高模型安全性。该代码可用于：http：//github.com/mi2datalab/limecraft
translated by 谷歌翻译