SigMA: Path Signatures and Multi-head Attention for Learning Parameters in fBm-driven SDEs
创建于 更新于
摘要
本文提出 SigMA——将路径签名与多头自注意力结合的轻量神经架构，用于从 fBm 驱动的 SDE 路径中高效估计参数（包括 Hurst 指数及多参数联合估计），并在合成数据与两类实证数据（指数实现波动率与锂电池衰减）上系统比较，结果显示 SigMA 在精度、鲁棒性与参数效率上优于 CNN、LSTM、Transformer 与 DeepSigNet 基线模型 [page::0][page::18].
