基于生成对抗网络与扩展跨期收益图的金融时间序列数据增强
计算机视觉与模式识别
2022-05-20 v2
摘要
数据增强是支持计算机视觉中高度参数化模型的预测与分类性能的一种关键正则化方法。然而在时间序列领域，以增强形式进行的正则化并不同样常见，尽管这些方法已被证明能缓解小样本量或非平稳性的影响。本文中，我们应用最先进的基于图像的生成模型来执行数据增强任务，并引入扩展跨期收益图（XIRP），一种用于时间序列的新图像表示。我们进行了多项测试，以评估该增强技术在有效合成时间序列并改进 M4 竞赛子集上预测结果方面的能力。我们进一步通过 Shapley 值对性能指标与增强数据最优比例进行特征归因，研究数据集特征与采样结果之间的关系。在所有数据集上，我们的方法被证明能有效地在 79% 的具有不同统计属性与频率的金融数据集上将收益预测误差降低 7%。
引用
@article{arxiv.2205.08924,
title = {Financial Time Series Data Augmentation with Generative Adversarial Networks and Extended Intertemporal Return Plots},
author = {Justin Hellermann and Qinzhuan Qian and Ankit Shah},
journal= {arXiv preprint arXiv:2205.08924},
year = {2022}
}