用于金融时间序列数据分析的时间注意力增强双线性网络

金融时间序列预测由于市场固有的噪声和随机性，长期以来一直是一个具有挑战性的问题。在高频交易（HFT）中，出于交易目的的预测是更具挑战性的任务，因为自动化推理系统需要既准确又快速。本文中，我们提出一种神经网络层架构，其融合了双线性投影的思想以及一种注意力机制，使该层能够检测并聚焦于关键的时间信息。所得到的网络具有高度可解释性，因其能够突出每个时间实例的重要性和贡献，从而允许对感兴趣的时间实例进行进一步分析。我们在一个大规模限价订单簿（LOB）数据集上的实验表明，利用我们所提出层的双隐藏层网络以很大优势超越了所有来自更深架构的现有 SOTA 结果，同时所需的计算量少得多。