基于深度学习与ResNeXt 的金融数据挖掘中的协作优化
机器学习
2024-12-24 v1 计算金融
摘要
本研究提出一种基于ResNeXt的多任务学习框架，旨在解决金融数据挖掘中的特征提取和任务协作优化问题。金融数据通常具有高维、非线性和时序等复杂特征，以及多个任务之间潜在关联，使得传统方法难以满足数据挖掘需求。本研究将ResNeXt模型引入多任务学习框架，充分利用其组卷积机制实现对金融数据的局部模式和全局特征的高效提取。同时，通过设计任务共享层和专用层，在多个相关任务之间建立深度协作优化关系。通过灵活的多任务损失权重设计，该模型能够有效平衡不同任务的学习需求，提高整体性能。在真实的S&P 500金融数据集上进行实验，验证了该框架在分类和回归任务中的显著优势。结果表明，与其他常规深度学习模型相比，所提方法在准确率、F1分数、均方根误差等指标上均表现出卓越的性能，凸显其在处理复杂金融数据方面的突出有效性和鲁健性。该研究为金融数据挖掘提供了一种高效且灵活的解决方案，同时为深度学习与多任务学习结合的研究开辟了新的方向，具有重要的理论意义和实际应用价值。
引用
@article{arxiv.2412.17314,
title = {Collaborative Optimization in Financial Data Mining Through Deep Learning and ResNeXt},
author = {Pengbin Feng and Yankaiqi Li and Yijiashun Qi and Xiaojun Guo and Zhenghao Lin},
journal= {arXiv preprint arXiv:2412.17314},
year = {2024}
}