×
菲利普·查蒂尼;Jean-Marc Patenude公司;王胜瑞

金融时间序列长期预测的时空自适应神经网络。 （英语） Zbl 1519.68213号

国际J近似推理 132, 70-85 (2021).
总结：社会环境中的最佳决策通常基于时间序列（TS）数据的预测。最近，使用深度神经网络（DNN）（如递归神经网络（RNN））的几种方法已被引入TS预测，并显示出有希望的结果。然而，这些方法在TS环境中的适用性受到质疑，在TS环境下，缺乏高质量的培训数据，并且TS预测显示出复杂的行为。这类设置的例子包括财务TS预测，在这种情况下，很难做出准确和一致的长期预测。在这项工作中，我们研究了基于DNN的模型是否可以通过学习序列的联合表示而不是从原始时间序列表示计算预测来联合预测这些TS。为此，我们利用动态因子图（DFG）建立了多元自回归模型。我们研究了依赖于DFG框架的RNN的一个常见局限性，并提出了一种新的可变长度注意机制（ACTM）来解决这个问题。使用ACTM，可以改变TS模型的自回归阶数，并比以前的方法建模更大的概率分布集。利用这种机制，我们提出了一种用于多元TS预测的自监督DNN体系结构，该结构学习并利用了它们之间的关系。我们在涵盖19年投资基金活动的两个数据集上测试了我们的模型。我们的实验结果表明，在预测21天的价格轨迹时，该方法明显优于基于DNN的典型模型和统计模型。我们指出，如何提高预测准确性并知道使用哪种预测可以提高自主交易策略的超额回报。

引用于1文件

MSC公司：

68T05型 人工智能中的学习和自适应系统
第91页第84页 经济时间序列分析

关键词：

时间序列预测;半监督学习;动态因子图;神经网络

软件：

fpp2格式;深度LOB;BoTorch公司;pmdarima公司;火炬差异;WaveNet公司;新加坡存托凭证;PyTorch公司;亚当
PDF格式BibTeX公司 XML格式引用
\textit{P.Chatigny}等人，《国际近似推理》132，70-85（2021；Zbl 1519.68213）
全文： 内政部 arXiv公司

参考文献：

[1] Makridakis，S。；Hyndman，R.J。；Petropoulos，F.，《社会环境中的预测：最新进展》，《国际预测杂志》。，36, 15-28 (2020)
[2] 彼得亚雷，M。；LeCun，Y.，《用于时间序列建模的动态因子图》，（机器学习和数据库知识发现欧洲联合会议（2009），施普林格），128-143
[3] Mirowski，P.，利用隐藏变量和基于梯度的算法进行时间序列建模（2011），纽约大学Courant数学科学研究所计算机科学系，博士论文
[4] 科勒，D。；弗里德曼，N.，《概率图形模型：原理和技术》（2009），麻省理工学院出版社·Zbl 1183.68483号
[5] Bengio，Y.，《学习人工智能的深层架构》，Found。趋势马赫数。学习。，2, 1-127 (2009) ·Zbl 1192.68503号
[6] Hyndman，R.J。；Athanasopoulos，G.，《预测：原则与实践》（2018），OTexts
[7] Yang，H.-F。；Dillon，T.S。；陈永平，采用深度学习方法的交通流预测模型的优化结构，IEEE Trans。神经网络。学习。系统。，28, 2371-2381 (2016)
[8] 医学博士Olagoke。；Ayeni，A。；Hambali，M.A.，《使用神经网络和遗传算法进行短期电力负荷预测》，《国际应用杂志》。信息系统。，10, 22-28 (2016)
[9] Makridakis，S。；蜘蛛炎，E。；Assimakopoulos，V.，《统计和机器学习预测方法：关注点和前进方向》，PLoS ONE，13，文章e0194889 pp.（2018）
[10] 塞泽，O.B。；Gudelek，M.U。；Ozbayoglu，A.M.，《金融时间序列预测与深度学习：系统文献综述：2005-2019》，应用。软计算。，90，第106181条pp.（2020）
[11] 朱利奥贝特，I.，《概念漂移下的学习：概述》（2010），预印本
[12] 秦，Y。；宋，D。；陈，H。；Cheng，W。；江，G。；Cottrell，G.，用于时间序列预测的基于双阶段注意的递归神经网络，（国际人工智能联合会议（2017））
[13] 布鲁什，M。；González-Aguado，C.，《回收率、违约概率和信贷周期》，J.Bank。《金融》，34754-764（2010）
[14] 马歇尔，A.，《经济学原理：未删节》（2009），科西莫公司。
[15] Y.本吉奥。；Simard，P。；Frasconi，P.，学习具有梯度下降的长期依赖性是困难的，IEEE Trans。神经网络。，5, 157-166 (1994)
[16] Rubanova，Y。；Chen，T.Q。；Duvenaud，D.K.，不规则采样时间序列的潜在常微分方程，（神经信息处理系统进展（2019）），5321-5331
[17] Cho，K。；van Merrienboer，B。；古尔塞，C。；巴达瑙，D。；布加雷斯，F。；施温克，H。；Bengio，Y.，使用RNN编码器-解码器进行统计机器翻译的学习短语表示，（《2014年自然语言处理经验方法会议论文集》，《2014年天然语言处理经验法会议论文集，EMNLP（2014）》），1724-1734
[18] Borovykh，A。；Bohte，S。；Oosterlee，C.W.，用于时间序列预测的扩张卷积神经网络，（2018年10月25日），J.Compute。财务。，即将推出。SSRN提供
[19] 查特菲尔德，C.，《苹果、橙子和均方误差》，《国际期刊预测》。，4, 515-518 (1988)
[20] Hyndman，R.J。；Koehler，A.B.，《预测准确性的另一种衡量方法》，《国际预测杂志》。，22, 679-688 (2006)
[21] Rangapuram，S.S。；Seeger，M.W。；Gasthaus，J。；斯特拉，L。；王，Y。；Januschowski，T.，时间序列预测的深层状态空间模型，（NIPS进展（2018）），7785-7794
[22] Smyl，S.，《用于时间序列预测的指数平滑和递归神经网络混合方法》，《国际预测杂志》。，36, 75-85 (2020)
[23] Makridakis，S。；蜘蛛炎，E。；Assimakopoulos，V.，《M4竞赛：结果、发现、结论和前进方向》，《国际期刊预测》。，34, 802-808 (2018)
[24] Oreshkin，B.N。；Carpov，D。；查帕多斯，N。；Bengio，Y.，N-beats：可解释时间序列预测的神经基扩展分析（国际学习表征会议（2019））
[25] Godfrey，L.B。；Gashler，M.S.，有效泛化时间序列数据的神经分解，IEEE Trans。神经网络。学习。系统。，29, 2973-2985 (2017)
[26] Hansen，J。；Nelson，R.，使用神经网络预测和重组时间序列成分，J.Oper。Res.Soc.，54，307-317（2003）·Zbl 1171.91369号
[27] Keener，J.P.，Perron-Frobenius定理和足球队排名，SIAM Rev.，35，80-93（1993）·Zbl 0788.62064号
[28] Glynn，P.W。；Desai，P.Y.，Perron-Frobenius定理的概率证明（2018），预印本
[29] Hochreiter，S。；Schmidhuber，J.，长短期记忆，神经计算。，9, 1735-1780 (1997)
[30] Graves，A.，递归神经网络的自适应计算时间（2016），预印本
[31] 奥拉，C。；Carter，S.，《注意力和增强递归神经网络》，Distilit（2016）
[32] Tesauro，G.，时间差异学习和TD-Gammon，Commun。ACM，38，58-68（1995）
[33] Schwendener，A.，《利用区域转换模型估算金融市场》（2010年），圣加仑大学博士论文
[34] Ziat，A。；特拉萨尔斯，E。；Denoyer，L。；Gallinari，P.，用于时空序列预测和关系发现的时空神经网络，（2017 IEEE ICDM（2017），IEEE），705-714
[35] Kingma，D.P。；Ba Adam，J.，《随机优化的一种方法》，（Bengio，Y.；LeCun，Y.，第三届学习表征国际会议，ICLR 2015，美国加利福尼亚州圣地亚哥，2015年5月7日至9日，会议跟踪会议记录（2015））（2015）
[36] Loshchilov，I。；Hutter，F.，SGDR：随机梯度下降和热重启，（2017年国际学习代表大会（ICLR）会议记录（2017年））
[37] 巴兰达，M。；卡勒，B。；江博士。；道尔顿，S。；莱瑟姆，B。；Wilson，A.G。；Bakshy，E.，BoTorch:PyTorch（2019）中的可编程分层优化，预印本
[38] Smith，T.G.，pmdarima:Python的ARIMA估值器（2017），在线
[39] Van Den Oord，A。；迪尔曼，S。；Zen，H。；Simonyan，K。；葡萄酒，O。；格雷夫斯，A。；Kalchbrenner，N。；高级，A.W。；Kavukcuoglu，K.，《Wavenet:原始音频的生成模型》，SSW，125（2016）
[40] Hamilton，J.D.，《非平稳时间序列和商业周期经济分析的新方法》，《计量经济学》，J.Econ。《社会》，357-384（1989）·Zbl 0685.62092号
[41] Roll，R.，《用证券市场线衡量绩效时的模糊性》，J.Finance，33，1051-1069（1978）
[42] 张，Z。；佐伦，S。；Roberts，S.，《深度强化交易学习》，J.Financ。数据科学。，2, 2, 25-40 (2020)
[43] Rubinstein，M.，Markowitz的“投资组合选择”：五十年回顾，《金融杂志》，571041-1045（2002）
[44] Connor，G.，《投资组合管理的合理回报预测》，金融。分析。J.，53，44-51（1997）
[45] Bao，W。；Yue，J。；Rao，Y.，《使用堆叠自动编码器和长短记忆的金融时间序列深度学习框架》，《公共科学图书馆·综合》，12，文章e0180944 pp.（2017）
[46] 帕萨利斯，北。；特法斯，A。；Kanniainen，J。；Gabbouj，M。；Iosifidis，A.，时间序列预测的深度自适应输入归一化，IEEE Trans。神经网络。学习。系统。(2019)
[47] Tsantekidis，A。；帕萨利斯，N。；特法斯，A。；Kanniainen，J。；Gabbouj，M。；Iosifidis，A.，《使用卷积神经网络预测限额订单中的股票价格》，（2017年IEEE第19届商业信息学会议，第1卷）。2017年IEEE第19届商业信息学会议，第1卷，（CBI）（2017），IEEE，7-12
[48] 张，Z。；Zohren，S。；Roberts，S.，DeepLOB：极限订单的深度卷积神经网络，IEEE Trans。信号处理。，67, 3001-3012 (2019) ·Zbl 07123269号
[49] 邓，Y。；Bao，F。；孔，Y。；任，Z。；Dai，Q.，金融信号表示和交易的深度直接强化学习，IEEE Trans。神经网络。学习。系统。，28, 3, 653-664 (2016)
[50] Oreshkin，B.N。；Carpov，D。；查帕多斯，N。；Bengio，Y.，应用于零快照时间序列预测的元学习框架（2020年），arXiv预印本
[51] 黑色，F。；Litterman，R.，《资产配置：将投资者观点与市场均衡相结合》，高盛固定收益研究，115（1990）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。