面向金融时间序列长期预测的时空自适应神经网络
机器学习
2020-11-17 v3 机器学习
摘要
社会环境中的最优决策常基于时间序列（TS）数据的预测。近来，若干使用深度神经网络（DNNs）如循环神经网络（RNNs）的方法被引入进行 TS 预测并展现出可喜结果。然而，在这些方法缺乏高质量训练数据且待预测 TS 表现出复杂行为的设定中，其适用性正受到质疑。此类设定的例子包括金融 TS 预测，其中产生准确且一致的长期预测极为困难。本工作中，我们研究基于 DNN 的模型能否通过学习的序列联合表示而非从原始时间序列表示计算预测，来联合预测这些 TS。为此，我们利用动态因子图（DFG）构建多元自回归模型。我们研究了依赖 DFG 框架的 RNNs 的一个常见局限，并提出一种新颖的变长基于注意力机制（ACTM）以克服之。借助 ACTM，可使 TS 模型的自回归阶数随时间变化，并比先前方法建模更大类的概率分布。利用该机制，我们提出一种用于多元 TS 预测的自监督 DNN 架构，其学习并利用序列间关系。我们在涵盖 19 年投资基金活动的两个数据集上测试模型。实验结果表明，所提方法在预测 21 天价格轨迹上显著优于典型的基于 DNN 与统计模型。我们指出，提升预测精度并知晓使用何种预测器可改善自主交易策略的超额收益。
引用
@article{arxiv.2003.12194,
title = {Spatiotemporal Adaptive Neural Network for Long-term Forecasting of Financial Time Series},
author = {Philippe Chatigny and Jean-Marc Patenaude and Shengrui Wang},
journal= {arXiv preprint arXiv:2003.12194},
year = {2020}
}