面向金融时间序列预测的数据驱动神经架构学习
机器学习
2019-03-19 v1 计算工程、金融与科学
统计金融
机器学习
摘要
基于金融时间序列的预测是一项具有挑战性的任务，因为大多数真实世界数据表现出非平稳特性与非线性依赖关系。此外，不同数据模态往往嵌入不同的非线性关系，难以由人工设计的模型捕捉。为应对金融时间序列预测中的监督学习任务，我们提出应用一种近期提出的算法，该算法在给定一组标注数据的情况下，自适应地学习一个由广义操作感知机组成的异构神经架构所实现的映射函数。借助修正的目标函数，所提算法可适应频繁出现的不平衡数据分布问题。在大规模限价订单簿（Limit Order Book）数据集上的实验表明，所提算法优于相关算法，包括可获取更宽泛输入信息的基于张量的方法。
引用
@article{arxiv.1903.06751,
title = {Data-driven Neural Architecture Learning For Financial Time-series Forecasting},
author = {Dat Thanh Tran and Juho Kanniainen and Moncef Gabbouj and Alexandros Iosifidis},
journal= {arXiv preprint arXiv:1903.06751},
year = {2019}
}
备注
Accepted in DISP2019