基于集成多源迁移学习的金融时间序列预测
机器学习
2021-06-29 v1
摘要
尽管迁移学习在计算机视觉与自然语言处理应用中被证明有效，但其在金融时间序列预测中很少被研究。由于可获取的大规模开放数据集，现有迁移学习工作大多基于单源迁移学习。然而在金融领域，单个时间序列的长度相对较短，单源迁移学习模型效果较差。因此，本文研究面向金融时间序列的多源深度迁移学习。我们提出两种多源迁移学习方法，即用于迁移学习的加权平均集成（WAETL）与树状 Parzen 估计器集成选择（TPEES）。我们的方法在从股票市场提取的金融时间序列上进行了评估。实验结果表明，在多数多源迁移任务上 TPEES 优于其他基线方法。
引用
@article{arxiv.2103.15593,
title = {Multi-source Transfer Learning with Ensemble for Financial Time Series Forecasting},
author = {Qi-Qiao He and Patrick Cheong-Iao Pang and Yain-Whar Si},
journal= {arXiv preprint arXiv:2103.15593},
year = {2021}
}