Quantifying neural network uncertainty under volatility clustering
创建于 更新于
摘要
本报告针对金融时间序列中广泛存在的波动聚集现象，提出一种基于尺度混合分布（SMD）的神经网络不确定性量化方法，简化了传统Normal-Inverse-Gamma（NIG）先验的复杂度和过参数化问题。通过设计各参数独立子网络结构并引入模型平均，提高了预测收益和不确定性估计的精准度。在加密货币和美国股票数据集上的实证显示，该方法能有效捕捉波动变化，优于Deep Ensemble和Deep Evidential两种代表性方法，具有良好的理论基础和应用前景 [page::0][page::5][page::16][page::30]
