利用限价订单簿数据的时序逻辑神经词袋方法用于金融时间序列预测
机器学习
2019-01-25 v1 计算金融
机器学习
摘要
时间序列预测是许多重要应用的关键组成部分，从股票市场预测到能源负荷预测均涵盖其中。这些应用中收集的数据具有高维、高速和多样的特点，带来了必须针对每个应用仔细应对的显著且独特的挑战。本工作提出了一种新颖的时序逻辑神经词袋（Temporal Logistic Neural Bag-of-Features）方法，可用于应对这些挑战。所提方法能有效结合深度神经网络，从而形成用于时间序列分析的强大深度学习模型。然而，将现有的词袋（BoF）表述与深度特征提取器结合会带来显著挑战：输入特征的分布非平稳，模型超参数调优尤为困难，且词袋模型中涉及的归一化会在训练过程中引发显著不稳定性。所提方法通过采用一种新颖的自适应缩放机制，并将常规词袋模型中涉及的经典基于高斯密度估计替换为逻辑核，从而克服了这些局限。通过使用一个由超过400万条限价订单组成的大规模金融时间序列数据集进行大量实验，证明了所提方法的有效性。
引用
@article{arxiv.1901.08280,
title = {Temporal Logistic Neural Bag-of-Features for Financial Time series Forecasting leveraging Limit Order Book Data},
author = {Nikolaos Passalis and Anastasios Tefas and Juho Kanniainen and Moncef Gabbouj and Alexandros Iosifidis},
journal= {arXiv preprint arXiv:1901.08280},
year = {2019}
}