Transformer用于时间序列：在S&P500上的应用
人工智能
2025-03-14 v1 投资组合管理
统计金融
机器学习
摘要
Transformer模型已在广泛的机器学习应用中得到广泛使用并取得了良好效果，包括大型语言模型和图像生成。在此，我们探讨该方法在金融时间序列上的适用性。我们首先描述了两种典型情况的数据集构建：一种是均值回归的合成Ornstein-Uhlenbeck过程，另一种是真实的S&P500数据。然后，我们详细介绍了所提出的Transformer架构，最后讨论了一些令人鼓舞的结果。对于合成数据，我们相当准确地预测了下一步走势；对于S&P500，我们得到了与二次变差和波动率预测相关的一些有趣结果。
引用
@article{arxiv.2403.02523,
title = {Transformer for Times Series: an Application to the S&P500},
author = {Pierre Brugiere and Gabriel Turinici},
journal= {arXiv preprint arXiv:2403.02523},
year = {2025}
}