用于增量多股票时间序列分类的增广双线性网络
机器学习
2022-07-26 v1 统计金融
摘要
深度学习模型在处理金融时间序列分析问题时已占据主导地位，颠覆了传统的机器学习和统计方法。大多数情况下，由于市场条件固有的差异，为一个市场或证券训练的模型无法直接应用于另一市场或证券。此外，随着市场随时间演变，在新数据可用时更新现有模型或训练新模型是必要的。这种在大多数金融预测应用中固有的场景自然引出了以下研究问题：如何高效地将预训练模型适配到新数据集，同时在旧数据上保持性能，尤其在旧数据不可访问时？本文提出一种方法，高效保留在一组证券上预训练神经网络中的已有知识，并将其适配以在新证券上实现高性能。在我们的方法中，预训练神经网络编码的先验知识通过固定现有连接得以保持，并通过一组使用新数据优化的增广连接针对新证券进行调整。辅助连接被约束为低秩。这不仅使我们能快速优化新任务，还降低了部署阶段的存储与运行复杂度。我们利用大规模限价订单簿数据集，在股票中间价变动预测问题中实证验证了方法的效率。实验结果表明，我们的方法提升了预测性能，并减少了网络参数总量。
引用
@article{arxiv.2207.11577,
title = {Augmented Bilinear Network for Incremental Multi-Stock Time-Series Classification},
author = {Mostafa Shabani and Dat Thanh Tran and Juho Kanniainen and Alexandros Iosifidis},
journal= {arXiv preprint arXiv:2207.11577},
year = {2022}
}