基于超神经网络与对抗组合的时序模型设计
机器学习
2024-07-31 v1 投资组合管理
统计方法学
机器学习
摘要
本文描述了在 M6 竞赛中分别在预测和投资挑战中取得第 4 和第 6 名的方法，最终在整体双冠王赛中获得第 1 名。在预测挑战中，我们测试了一种新颖的元学习模型，该模型利用超神经网络为特定预测任务族设计准参数模型。该方法允许我们在利用跨越单个预测任务的相似性的同时，也承认其数据生成过程可能存在的异质性。该模型的训练可以直接使用反向传播进行，无需依赖高阶导数，等价于同时搜索参数函数空间及其最优参数值的搜索。该模型的能力不局限于 M6， 在正弦回归任务中优于当前最先进的元学习方法，在 M4 竞赛中的时间序列上也优于传统参数模型。在投资挑战中，我们调整组合权重以诱导我们提交方案与其他参赛者之间的相关性更大或更小，具体取决于当前排名，从而最大化获得好排名的概率。
引用
@article{arxiv.2407.20352,
title = {Designing Time-Series Models With Hypernetworks & Adversarial Portfolios},
author = {Filip Staněk},
journal= {arXiv preprint arXiv:2407.20352},
year = {2024}
}