基于卷积神经网络的有条件时间序列预测
机器学习
2018-09-18 v5
摘要
我们提出了一种基于近期深度卷积 WaveNet 架构改编的有条件时间序列预测方法。所提出的网络包含堆叠的空洞卷积，使其在预测时能够访问广泛的历史数据；采用 ReLU 激活函数；并通过将多个卷积滤波器并行应用于独立的时间序列来执行条件化，从而实现数据的快速处理并利用多变量时间序列之间的相关结构。我们在无条件及有条件情况下，使用 S&P500、波动率指数、CBOE 利率及多种汇率对金融时间序列预测中的卷积网络性能进行了测试与分析，并将其与著名的自回归模型和长短期记忆网络的性能进行了广泛比较。结果表明，卷积网络非常适用于回归类问题，能够有效学习序列内部及序列间的依赖关系而无需漫长的历史时间序列，是循环型网络的一种省时且易于实现的替代方案，且往往优于线性和循环模型。
引用
@article{arxiv.1703.04691,
title = {Conditional Time Series Forecasting with Convolutional Neural Networks},
author = {Anastasia Borovykh and Sander Bohte and Cornelis W. Oosterlee},
journal= {arXiv preprint arXiv:1703.04691},
year = {2018}
}