深度神经网络中用于金融预测的课程的式学习
机器学习
2020-01-28 v2 综合金融
机器学习
摘要
对任何金融机构而言，计算各类产品的准确季度预测是最关键的业务之一。随着预测所需粒度的增加，传统统计时间序列模型可能无法良好扩展。我们通过试验来自自然语言处理（Encoder-Decoder LSTMs）和计算机视觉（Dilated CNNs）的技术，并引入迁移学习，将深度神经网络应用于预测领域。本文的一个新颖贡献是将课程学习应用于为时间序列预测构建的神经网络模型。我们使用微软对应于 Enterprise，以及 Small、Medium & Corporate 产品的营收数据来展示模型的性能，数据覆盖全球约 60 个地区、8 个不同业务板块，总额达数百亿美元量级。我们将模型性能与微软财务目前使用的传统统计与机器学习技术集成模型进行比较。以该生产环境模型为基线，我们的实验在测试数据上总体精度提升约 30%。我们发现基于课程学习的 LSTM 模型表现最佳，表明在中型数据上无过拟合地实施所提方法是合理的。
引用
@article{arxiv.1904.12887,
title = {Curriculum Learning in Deep Neural Networks for Financial Forecasting},
author = {Allison Koenecke and Amita Gajewar},
journal= {arXiv preprint arXiv:1904.12887},
year = {2020}
}