深度LPPLS：自然、工程和金融系统中时间临界点的预测
计算工程、金融与科学
2024-05-22 v1
摘要
对数周期幂律奇异性模型为捕捉不同自然和社会系统中的动力学并预测转变点提供了一个通用框架。本文提出了两种使用深度学习的LPPLS模型校准技术。首先，我们介绍了Mono-LPPLS-NN模型；对于任何给定的经验时间序列，训练一个唯一的M-LNN模型，并在估计LPPLS模型的非线性参数(t_c, m, ω)方面表现出优于最先进技术的性能，参数误差的全面分布证明了这一点。其次，我们将M-LNN模型扩展为更通用的模型架构Poly-LPPLS-NN，它能够快速估计任何给定固定长度时间序列（包括训练期间未见过的序列）的LPPLS模型非线性参数。Poly类模型以监督方式在大量合成LPPLS时间序列上训练，并添加了各种噪声结构。给定足够的训练样本，P-LNN模型在估计LPPLS模型参数方面也优于最先进技术，参数误差的全面分布证明了这一点。此外，这类模型被证明能大幅减少获得参数估计的时间。最后，我们展示了在诊断和预测两个金融泡沫峰值（随后崩盘）以及一次著名岩崩中的应用。这些贡献为深度学习与复杂时间序列转变时间预测研究之间架起了桥梁。
引用
@article{arxiv.2405.12803,
title = {Deep LPPLS: Forecasting of temporal critical points in natural, engineering and financial systems},
author = {Joshua Nielsen and Didier Sornette and Maziar Raissi},
journal= {arXiv preprint arXiv:2405.12803},
year = {2024}
}
备注
10 pages, 6 figures