面向金融时间序列预测的低成本张量近似时序注意力增强双线性网络
机器学习
2021-07-16 v1
摘要
金融市场分析，尤其是股票价格走势的预测，是一个具有挑战性的问题。金融时间序列数据非平稳和非线性的性质是这些挑战的主要原因。深度学习模型在许多来自不同领域的问题上带来了显著的性能提升，包括金融时间序列数据的预测问题。尽管预测性能是此类模型的主要目标，但处理超高频率数据集时在模型参数数量和推理速度方面存在限制。时序注意力增强双线性网络（Temporal Attention-Augmented Bilinear network）最近被提出作为限价订单簿时间序列预测的一种高效且高性能的模型。在本文中，我们提出了该模型的低秩张量近似，以进一步减少可训练参数数量并提升其速度。
引用
@article{arxiv.2107.06995,
title = {Low-Rank Temporal Attention-Augmented Bilinear Network for financial time-series forecasting},
author = {Mostafa Shabani and Alexandros Iosifidis},
journal= {arXiv preprint arXiv:2107.06995},
year = {2021}
}