Style Miner：基于约束强化学习在时间序列中发现显著且稳定的解释因子
机器学习
2023-03-27 v1 人工智能
风险管理
摘要
在高维时间序列分析中，拥有一组解释观测变量变化的关键因子（即风格因子）至关重要。例如，金融中的波动率建模依赖于一组风险因子，而气候学中的气候变化研究依赖于一组因果因子。理想的低维风格因子应平衡显著性（具有高解释力）与稳定性（一致、无显著波动）。然而，以往的监督与无监督特征提取方法难以应对这一权衡。本文中，我们提出Style Miner，一种生成风格因子的强化学习方法。我们首先将该问题表述为以解释力为回报、稳定性为约束的约束马尔可夫决策过程。随后，我们设计细粒度的即时奖励与代价，并使用拉格朗日启发式方法自适应地平衡二者。在真实世界金融数据集上的实验表明，Style Miner大幅优于现有基于学习的方法，并与人类专家提出的业界知名因子相比，在R平方解释力上取得约10%的相对提升。
引用
@article{arxiv.2303.11716,
title = {Style Miner: Find Significant and Stable Explanatory Factors in Time Series with Constrained Reinforcement Learning},
author = {Dapeng Li and Feiyang Pan and Jia He and Zhiwei Xu and Dandan Tu and Guoliang Fan},
journal= {arXiv preprint arXiv:2303.11716},
year = {2023}
}
备注
9 pages, 6 figures