基于自监督学习的金融时间序列数据降噪标签

电子交易平台的引入有效地将传统系统性交易的组织从报价驱动市场转变为订单驱动市场。其便利性导致金融数据量呈指数增长，然而由于金融时间序列的低信噪比与非平稳性，这些数据难以用于预测未来价格。更简单的分类任务——目标是预测未来价格变动方向——通过监督学习算法实现时，需要足够可靠的标签才能良好泛化。但金融数据的标注比其他领域更不明确：价格上涨是因为噪声还是因为信号？现有标注方法对噪声的应对措施有限，且在改进学习算法方面的效果有限。本工作从交易中的图像分类及自监督学习的成功中汲取灵感。我们研究将计算机视觉技术应用于金融时间序列以减少噪声暴露，从而生成正确标签的思路。我们将标签生成视为自监督学习方法的预文本任务，并比较文献中常用的朴素（含噪）标签与去噪自编码器为同一下游分类任务生成的标签。我们的结果表明，我们的降噪标签提升了下游学习算法在小型与大型数据集上的性能。我们进一步表明，所获得的信号可用于以二元策略进行有效交易。我们建议，借助所提技术，自监督学习构成了一种强大的框架，用于生成对研究市场潜在模式有用的“更好”金融标签。