ترجمه فارسی مقاله رگرسیون چندکی با استفاده از تقریب‌های جنگل تصادفی

چکیده

Due to the dynamic nature of financial markets, maintaining models that produce precise predictions over time is difficult. Often the goal isn’t just point prediction but determining uncertainty. Quantifying uncertainty, especially the aleatoric uncertainty due to the unpredictable nature of market drivers, helps investors understand varying risk levels. Recently, quantile regression forests (QRF) have emerged as a promising solution: Unlike most basic quantile regression methods that need separate models for each quantile, quantile regression forests estimate the entire conditional distribution of the target variable with a single model, while retaining all the salient features of a typical random forest. We introduce a novel approach to compute quantile regressions from random forests that leverages the proximity (i.e., distance metric) learned by the model and infers the conditional distribution of the target variable. We evaluate the proposed methodology using publicly available datasets and then apply it towards the problem of forecasting the average daily volume of corporate bonds. We show that using quantile regression using Random Forest proximities demonstrates superior performance in approximating conditional target distributions and prediction intervals to the original version of QRF. We also demonstrate that the proposed framework is significantly more computationally efficient than traditional approaches to quantile regressions.

چکیده به فارسی (ترجمه ماشینی)

با توجه به ماهیت پویا بازارهای مالی ، حفظ مدلهایی که پیش بینی های دقیقی را با گذشت زمان تولید می کنند دشوار است.غالباً هدف فقط پیش بینی نقطه نیست بلکه تعیین عدم اطمینان است.کمیت عدم قطعیت ، به ویژه عدم اطمینان از نظر ماهیت غیرقابل پیش بینی رانندگان بازار ، به سرمایه گذاران کمک می کند تا سطح خطر مختلفی را درک کنند.به تازگی ، جنگل های رگرسیون کمی (QRF) به عنوان یک راه حل امیدوارکننده ظاهر شده اند: برخلاف اکثر روشهای اساسی رگرسیون کمی که برای هر جنگل رگرسیون کوانتیل و کمی نیاز به مدل های جداگانه دارند ، کل توزیع مشروط متغیر هدف را با یک مدل واحد تخمین می زند ، در حالی که تمام موارد را حفظ می کند.ویژگی های برجسته یک جنگل تصادفی معمولی.ما یک رویکرد جدید برای محاسبه رگرسیون کمی از جنگل های تصادفی که از نزدیکی (یعنی متریک فاصله) آموخته شده توسط مدل استفاده می کند ، معرفی می کنیم و توزیع مشروط متغیر هدف را نشان می دهد.ما روش پیشنهادی را با استفاده از مجموعه داده های در دسترس عموم ارزیابی می کنیم و سپس آن را در مورد مشکل پیش بینی میانگین حجم روزانه اوراق بهادار شرکت استفاده می کنیم.ما نشان می دهیم که استفاده از رگرسیون کمی با استفاده از پروکسی های جنگلی تصادفی ، عملکرد برتر را در تقریب توزیع هدف مشروط و فواصل پیش بینی به نسخه اصلی QRF نشان می دهد.ما همچنین نشان می دهیم که چارچوب پیشنهادی نسبت به رویکردهای سنتی برای رگرسیون های کمی از نظر محاسباتی کارآمدتر است.