Signature-Logistic

新的统计理论量化了路径回归的签名学习率

本文介绍了基于签名的路径回归的统计理论，重点关注有限水平签名逼近路径值数据的速度。研究人员为光滑的 Itô 扩散泛函建立了 L^2 近似率，并证明了其 minimax 最优性。该研究还通过传播截断误差分析了三种统计学习程序—Signature-OLS、Signature-LASSO 和 Signature-Logistic—的一致性。在金融、能源和医学领域的应用表明，签名可以有效地表示路径值协变量，并与传统特征相比可以提高预测精度。