Unveiling Nonlinear Dynamics in Catastrophe Bond Pricing: A Machine Learning Perspective
원문 초록
This paper explores the implications of using machine learning models in the pricing of catastrophe (CAT) bonds. By integrating advanced machine learning techniques, our approach uncovers nonlinear relationships and complex interactions between key risk factors and CAT bond spreads -- dynamics that are often overlooked by traditional linear regression models. Using primary market CAT bond transaction records between January 1999 and March 2021, our findings demonstrate that machine learning models not only enhance the accuracy of CAT bond pricing but also provide a deeper understanding of how various risk factors interact and influence bond prices in a nonlinear way. These findings suggest that investors and issuers can benefit from incorporating machine learning to better capture the intricate interplay between risk factors when pricing CAT bonds. The results also highlight the potential for machine learning models to refine our understanding of asset pricing in markets characterized by complex risk structures.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
순차적 모델 학습에서의 롤링 컨포멀 예측
Rolling Conformal Prediction in Sequential Model Training
우리는 순차적 모델 학습(sequential model training) 환경을 위한 분포 무관(distribution-free) 예측 추론 방법인 롤링 컨포멀 예측(Rolling Conformal Prediction, rolling-CP)을 소개한다. 구체적으로, 데이터 스트림 $(X_1,Y_1),(X_2,Y_2),\dots$가 주어졌을 때, 각 시점 $n$에서 학습된 모델은 관측된 이력 $\{(X_i,Y_i)\}_{i<n}$에 의존할 수 있다. 이러한 설정은 대규모 데이터셋에 대한 단일 패스(one-pass) 학습, 그리고 배포 중 언어 모델의 지속적 미세조정 또는 테스트 시점 적응(test-time adaptation)을 포함한 현대의 순차적 학습에서 자연스럽게 나타난다. Rolling-CP는 먼저 새로 들어오는 각 관측값을 현재 예측기에 대해 보정(calibration)한 다음, 이를 이후의 학습에 편입시킨다(roll into). 이를 통해 데이터 분할이 필요하지 않게 된다. 놀랍게도, 시점 $n=1,2,\dots$의 모델들이 서로 완전히 다른 특성과 정확도 수준을 가질 수 있음에도 불구하고, 교환 가능(exchangeable) 데이터에 대해서는 안정성에 대한 어떠한 가정이나 모델 학습 과정에 대한 어떠한 제약 없이도 주변 커버리지(marginal coverage) 보장을 확립할 수 있으며, 이는 익숙한 보편적인 2배 인자 보장(목표 수준 $1-\alpha$ 대비 최악의 경우 $1-2\alpha$ 커버리지를 보장)의 형태를 띤다. i.i.d. 데이터 스트림의 경우, 시간에 대해 균등하게(uniformly) 성립하는 고확률 학습 조건부(training-conditional) 유효성을 추가로 증명하며, 안정성 조건 하에서는 커버리지 보장이 $1-\alpha$에 가까워지도록 더욱 정교해진다. 순차 회귀, 다중 클래스 SGD, 단일 패스 신경망 학습에 대한 수치 실험은 rolling-CP의 실용적 효과를 추가로 보여준다.
강건한 베이즈 보조 등각 예측
Robust Bayes-Assisted Conformal Prediction
베이즈 보조 등각 예측(Bayes-assisted conformal prediction)은 베이즈 모델링의 강점과 정확하고 분포 무관한 빈도주의 커버리지 보장을 결합한다. 베이즈 작업 모델(BWM)이 잘못 지정되더라도 등각 유효성은 유지되지만, 사전 분포가 관측 데이터와 잘 정렬되지 않은 경우 결과 예측 집합의 크기가 크게 저하될 수 있다. 우리는 이 한계를 해결하기 위해 RoBAS(Robust Bayes-Assisted Shrinkage)를 도입한다: 강건한 비적합성 점수(nonconformity score)를 구성하기 위한 베이즈 보조 프레임워크로, 두 가지 구체화된 형태를 제공한다—두꺼운 꼬리 BWM에 의해 유도된 방식과 닫힌 형식의 경험적 베이즈 수축 점수. 결과 점수들은 사전 분포에 인코딩된 작업 정보의 품질에 적응한다: 해당 정보가 신뢰할 수 있을 때는 이를 활용하여 효율적인 예측 집합을 생성하고, 약하거나 부정확할 때는 강건한 비정보적 기준선인 평균까지의 거리(DTA) 점수로 복귀한다. 우리는 학습 분포가 보정 및 테스트 분포와 다를 수 있지만 보정 데이터와 테스트 데이터 자체는 교환 가능성을 유지하는 표 형식 및 이미지 회귀 작업에서 제안된 점수들을 평가한다. 분포 이동이 없는 경우에는 널리 사용되는 점수들과 경쟁력을 유지하면서, 분포 이동이 발생한 환경에서는 구간 너비를 크게 줄이는 것을 확인하였다.
전기차 모터스포츠 파워트레인의 실험실-트랙 간 열 전이를 위한 가중 등각 예측
Weighted Conformal Prediction for Lab-to-Track Thermal Transfer in EV Motorsport Powertrains
고성능 전기차(EV) 파워트레인에서의 열 변동성을 예측하는 것은 어렵다. 내부 온도는 실험실 외부에서 거의 관측할 수 없으며, 실험실 주행 사이클로 보정된 모델은 실제 부하 조건에 배포될 때 성능이 저하된다. 우리는 이 실험실-트랙 간 전이 문제를 분포 무관(distribution-free) 불확실성 구간을 제공하는 등각 예측(conformal prediction)을 사용하여 연구한다. 우리는 자기상관 시계열을 위한 leave-one-out 부트스트랩-앙상블 등각 방법인 앙상블 배치 예측 구간(EnbPI; Xu & Xie, 2021)을 구현하고, 실제 CALCE 리튬이온 사이클러 데이터(A123 SP20 셀, FUDS 프로파일)에 대해 보정한다. 우리는 실제로 측정된 공변량 이동(covariate shift) 하에서 이를 평가한다: 두 번째 실제 CALCE 테스트 조건(45°C에서의 US06 고속도로 주행 스케줄). 비가중 EnbPI 구간은 분포 내에서 명목 95% 커버리지를 달성하지만(측정값: 95.00%), 이 실제 이동 하에서 70.13%의 실증적 커버리지로 저하된다. 우리는 확률적 도메인 분류기를 통해 밀도비(density ratio)를 추정하여, EnbPI의 앙상블 잔차와 밀도비 가중(Tibshirani et al., 2019)을 결합한 가중 EnbPI 절차를 제안한다. 이를 통해 커버리지가 72.42%로 회복되는데, 이는 완전한 해결책이 아닌 솔직하게 보고된 소폭의 개선이다. 우리는 추가적으로 보정된 모델을 비지도 분포 외(out-of-distribution) 진단으로서 실제 2023 포뮬러 1 텔레메트리(Monza 및 Silverstone, 드라이버 VER)에 적용한다. 공개 트랙사이드 텔레메트리에는 내부 열 채널이 존재하지 않기 때문에, 우리는 비지도 플래그 비율만을 보고하며(Monza에서 65.6%, Silverstone에서 58.0%, 분포 내 기준 비율인 5%를 훨씬 상회), 플래그와 제동/DRS 구간 사이의 일관성 없는 연관성을 언급한다. 우리는 등각 도메인 적응(conformal domain adaptation)이 이 문제에 있어 유망하지만 부분적으로만 해결된 도구임을 결론짓고, 정확히 어느 지점에서 한계가 있는지 상세히 기술한다.
레이블 시프트 하에서 양측 절단 가우시안 회귀를 위한 컨포멀 베이즈
Conformal Bayes for Two-Sided Censored Gaussian Regression under Label Shift
레이블 시프트 하에서의 예측은 응답이 절단(censored)될 때 비표준적이 된다. 양측 절단 가우시안 모델에서 $L$ 이하와 $U$ 이상의 잠재값은 경계값에서 기록되므로, 관측된 예측 분포는 혼합형으로서 $L$과 $U$에서 점질량(atom)을 가지고 $(L,U)$에서 연속 밀도를 가진다. 본 논문에서는 사후 예측 기울기(posterior predictive tilting)와 가중 컨포멀 보정(weighted conformal calibration)을 결합하여 이 혼합 공간 설정에 대한 컨포멀 베이즈를 개발한다. 라플라스 사후 근사를 갖는 양측 Tobit 가우시안 베이즈 예측 헤드 하에서, 기울어진 예측 분포는 좌측 점질량, 내부, 우측 점질량 성분을 가지며 세 항으로 이루어진 닫힌 형태의 정규화 인자를 갖는다. 결과적인 예측 집합은 경계 점질량과 내부 구간을 결합할 수 있는 혼합 최고 밀도 영역(highest density region, HDR)이며, 강한 절단 하에서는 점질량만으로 구성된 집합으로 축소될 수 있다. 주요 기술적 문제는 잠재 레이블 시프트가 관측된 절단 척도에서 일반적인 밀도 비율을 직접 제공하지 않는다는 점이다. 잠재 지수 기울기(latent exponential tilt)는 절단 경계에서 꼬리 평균 점질량 가중치를 유도하는 반면, 내부 비율은 밀도 기반으로 유지된다. 이는 두 개의 점질량 비율과 하나의 내부 밀도 비율로 구성된 혼합 관측 공간 보정 가중치를 산출한다. 이 가중치는 보정 측도를 수정하는 반면, 예측 기울기는 목표 분포에 적응된 혼합-HDR 기하학을 제공한다. 합성 실험을 통해 가중 기울어진 컨포멀 베이즈가 가중 소스 점수 보정보다 더 작은 집합으로 주변 커버리지(marginal coverage)를 복원함을 보여주며, 동시에 점질량과 내부 관측에 걸쳐 주변 커버리지와 성분별 동작 간의 트레이드오프를 드러낸다.
Predictive Conformal Slip Monitoring: An Empirical Evaluation of Rolling Split Conformal Prediction for Pre-Incident Traction Loss Detection
불완전한 프록시 보상을 활용한 신뢰할 수 있는 자기 진화
Reliable Self-Evolution with Imperfect Proxy Rewards
대규모 언어 모델(LLM) 기반의 자기 진화 탐색은 과학적 발견을 위한 유망한 접근법입니다. 그러나 일부 영역에서는 모든 후보에 대해 고충실도(high-fidelity) 평가를 수행하는 데 엄청난 비용이 듭니다. 따라서 이러한 환경의 자기 진화 시스템은 비용이 저렴하지만 불완전한 프록시 보상(proxy reward)에 의존하며, 이는 실현 불가능한 후보에 높은 점수를 부여할 수 있습니다. 이러한 위양성(false positive)은 최종 출력뿐만 아니라 후속 세대를 유도하는 데 사용되는 피드백까지 오염시킬 수 있습니다. 이는 보다 신뢰할 수 있는 자기 진화 탐색을 위해 통계적으로 보정된 보상 구간을 도입하는 동기가 됩니다. 본 논문에서는 조건부 등분산 추론(conditional conformal inference)과 반복(iteration)별 온라인 밀도비 추정을 사용하여 후보별 보상 구간을 구성하는 CISE(Conformal Interval-Driven Self-Evolution)를 제안합니다. CISE는 진화적 피드백을 위해 보수적인 구간 기반 보상을 사용하며, 요구되는 모든 속성 구간이 각자의 실행 가능한 영역 내에 완전히 포함될 때만 후보를 반환합니다. 본 연구는 독립성 및 공변량 변화(covariate shift)에 대한 명시적 가정 하에서 고정 반복 커버리지 결과를 도출합니다. 또한 재료과학 분야의 세 가지 자기 진화 탐색 작업에서 CISE를 평가합니다. 실험 결과, 고충실도 평가에서 CISE가 반환한 모든 후보는 진양성(true positive)이었던 반면, 베이스라인들은 더 많은 후보를 반환하지만 위양성을 포함했습니다. 이러한 결과는 다운스트림 검증 예산이 제한적일 때 더 작지만 더 정밀한 후보 목록이 갖는 가치를 강조합니다. 연구 저장소는 https://github.com/MLAI-Yonsei/CISE.git 에서 확인할 수 있습니다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.