金融时间序列的强降噪

本文提出了一种显著提高金融数据信噪比的方法。该方法依赖于将目标变量与不同的上下文变量相结合，并使用自编码器（AEs）来学习组合输入的重构。目标是获得在相关但不同输入上训练的自编码器对之间的一致性，并迫使它们找到共同点。训练过程被设置为一种'对话'，其中模型轮流进行预测（发言）并将其自身预测与另一个AE的输出进行协调（倾听），直到达成一致。这导致了由AE生成的数据表示复杂度的一种新约束方式。与标准正则化不同（其强度需要由设计者决定），所提出的互正则化利用伙伴网络来检测和修正所学数据表示的缺乏通用性。替代视角的整合增强了单个AE的降噪能力，并使我们能够发现金融时间序列中的新规律，这些规律可以转化为盈利的交易策略。