Sztochasztikus folyamatok paraméterbecslése neurális hálókkal

Témavezető:	Lukács András
	ELTE Matematikai Intézet, MI Kutatócsoport
email:	andras.lukacs@ttk.elte.hu

Projekt leírás

Számos pénzügyi, ipari vagy éppen élettani idősor modellezésére sztochasztikus folyamatokat használnak. Ilyenkor az alapfeladat a kiválasztott sztochasztikus folyamat paramétereinek a modellezni kívánt adatokhoz történő illesztése. A paraméterillesztés feladatának új módját nyújtják a neurális hálók, több esetben megjavítva a már létező paraméterillesztő technikákat, vagy éppen elérhetővé téve a paraméterillesztést olyan folyamatok esetében is, ahol korábban nem volt erre (gyakorlatban használható) módszer. A projekt célja megismerni a paraméterbecslésekhez használható szekvenciafeldolgozó neurális hálókat (LSTM, 1D konvolúció, transformerek), majd azokat konkrét sztochasztikus folyamatok paraméterbecslésére alkalmazni. A módszerhez szorosan hozzátartozik a megcélzott sztochasztikus folyamat (diszkrét időpontokhoz tartozó) realizációinak gyors és pontos generálása. A munka során lehetőség van bekapcsolódni már folyó kutatásokba.

Előfeltételek

• angol nyelvű szakcikkek olvasása
• meglévő programozási tudás, Python programozási nyelv legalább alap-közepes szintű ismerete, vagy gyors elsajátításának képessége
• előny sztochasztikus folyamatokkal kapcsolatos ismeretek
• előny az adatbányászat, gépi, ill. mély tanulás alapjainak ismerete, a gépi/mély tanulásban használatos programcsomagok ismerete

Hivatkozások

[1] Csanády, Bálint, et al. "Parameter estimation of long memory stochastic processes with deep neural networks" ECAI 2024: 2548-2555. pdf, slides

[2] Dieker, Ton. Simulation of fractional Brownian motion. Diss. Masters Thesis, Department of Mathematical Sciences, University of Twente, The Netherlands, 2004. pdf