PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.25144v1stat.ME

렙토-분산의 정보적 내용과 고차 적률과의 관계

The Informational Content in Lepto-Variance and Its Relation to Higher Moments

렙토 회귀(Lepto-regression)는 목표 특징(feature)을 그 자신에 대해 회귀 트리(Regression Tree)로 구성하는 머신러닝 과정으로 정의된다. 이는 표본 구조의 중요한 속성에 관한 정보를 드러낼 가능성이 있는, 모델 비의존적(model-free)인 새로운 방법이다. 그러나 렙토-분산(lepto-variance)이 담고 있는 정보가 무엇인지, 그리고 이것이 표본의 다른 잘 알려진 통계량과 어떤 관계가 있는지는 아직 명확하지 않다. 한 가지 중요한 발견은 미국 주식 수익률의 역사적 변동성 중 58%가 어떠한 금융 요인으로도 설명할 수 없는 1비트 렙토-분산이라는 점이다. 본 논문에서 다루는 핵심 질문은, 정규분포 N(0, 1)에서 추출한 작은 표본을 이용하여 1비트 표본 렙토-분산과 렙토 비율(lepto-ratio)이 표본 분산, 왜도(skewness), 초과 첨도(excess kurtosis)와 어떤 관계를 갖는지 탐구하는 것이다. 대규모 표본 시뮬레이션을 통해, 정규분포의 렙토 비율은 36.3%로 수렴하는 것으로 나타났다. 정규분포 N(0, 1)에서 생성한 더 작은 시뮬레이션 표본의 경우, 렙토-분산 자체는 표본 분산과 높은 상관관계를 보이는 반면, 전체 분산에서 렙토-분산이 차지하는 비율은 초과 첨도와 높은 상관관계를 보인다. 렙토-분산과 렙토 비율은 모두 표본 왜도와 직교한다. 또 다른 발견은, 렙토 비율이 렙토-분산과 강한 상관관계를 가지면서도 표본 분산과는 직교한다는 점이다.