LSTM 与注意力机制在金融时间序列预测中的比较
机器学习
2018-12-20 v1 机器学习
摘要
尽管 LSTM 在金融时间序列 (FTS) 预测中展现出日益可观的结果，本文旨在评估注意力机制是否能进一步提升性能。假设是注意力有助于防止 LSTM 模型所经历的长程依赖问题。为验证该假设，本文的主要贡献是实现了带注意力的 LSTM。基准 LSTM 与带注意力的 LSTM 均进行了比较，两者在来自 Kaggle 的 Two Sigma 数据集的五只股票上均取得了高达 60% 的合理性能。该比较分析表明，带注意力的 LSTM 确实可以优于独立 LSTM，但鉴于此类模型架构确实会出现一些问题，还需进一步研究。
引用
@article{arxiv.1812.07699,
title = {A Comparison of LSTMs and Attention Mechanisms for Forecasting Financial Time Series},
author = {Thomas Hollis and Antoine Viscardi and Seung Eun Yi},
journal= {arXiv preprint arXiv:1812.07699},
year = {2018}
}