持续学习增强的投资决策
机器学习
2019-01-28 v4 人工智能
计算金融
投资组合管理
交易与市场微观结构
机器学习
摘要
投资决策可受益于将过往积累的知识纳入以驱动未来的决策制定。我们提出持续学习增强（CLA），其基于显式记忆结构与前馈神经网络（FFNN）基模型，并用于驱动长期金融投资决策。我们证明，我们的方法在提高投资决策准确性的同时，以可解释的方式处理记忆。我们的方法引入了新颖的记住线索，由 FFNN 绝对误差序列中经验性学习到的变点构成。记忆召回同样新颖，通过动态时间规整（DTW）采样距离随时间评估上下文相似性。我们通过将其用于预期收益预测任务以驱动投资决策，展示了该方法的优势。在 2003–2017 年广泛国际股票范围内的投资模拟中，我们的方法显著优于 FFNN 基模型。我们还通过一个算例说明了 CLA 的记忆寻址在实践中的运作方式，以展示我们方法的可解释性。
引用
@article{arxiv.1812.02340,
title = {Continual Learning Augmented Investment Decisions},
author = {Daniel Philps and Tillman Weyde and Artur d'Avila Garcez and Roy Batchelor},
journal= {arXiv preprint arXiv:1812.02340},
year = {2019}
}
备注
NeurIPS 2018 Workshop on Challenges and Opportunities for AI in Financial Services: the Impact of Fairness, Explainability, Accuracy, and Privacy, Montreal, Canada. This is a non-archival publication - the authors may submit revisions and extensions of this paper to other publication venues