論文の概要: Spatiotemporal Adaptive Neural Network for Long-term Forecasting of
Financial Time Series
- arxiv url: http://arxiv.org/abs/2003.12194v3
- Date: Mon, 16 Nov 2020 15:33:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-19 04:37:35.011180
- Title: Spatiotemporal Adaptive Neural Network for Long-term Forecasting of
Financial Time Series
- Title（参考訳）: 金融時系列の長期予測のための時空間適応型ニューラルネットワーク
- Authors: Philippe Chatigny, Jean-Marc Patenaude, Shengrui Wang
- Abstract要約: 本稿では,ディープニューラルネットワーク(DNN)が時系列予測(TS)の同時予測に利用できるかどうかを検討する。
動的因子グラフ(DFG)を用いて多変量自己回帰モデルを構築する。
ACTMでは、TSモデルの自己回帰順序を時間とともに変化させ、より大きな確率分布をモデル化することができる。
- 参考スコア（独自算出の注目度）: 0.2793095554369281
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Optimal decision-making in social settings is often based on forecasts from
time series (TS) data. Recently, several approaches using deep neural networks
(DNNs) such as recurrent neural networks (RNNs) have been introduced for TS
forecasting and have shown promising results. However, the applicability of
these approaches is being questioned for TS settings where there is a lack of
quality training data and where the TS to forecast exhibit complex behaviors.
Examples of such settings include financial TS forecasting, where producing
accurate and consistent long-term forecasts is notoriously difficult. In this
work, we investigate whether DNN-based models can be used to forecast these TS
conjointly by learning a joint representation of the series instead of
computing the forecast from the raw time-series representations. To this end,
we make use of the dynamic factor graph (DFG) to build a multivariate
autoregressive model. We investigate a common limitation of RNNs that rely on
the DFG framework and propose a novel variable-length attention-based mechanism
(ACTM) to address it. With ACTM, it is possible to vary the autoregressive
order of a TS model over time and model a larger set of probability
distributions than with previous approaches. Using this mechanism, we propose a
self-supervised DNN architecture for multivariate TS forecasting that learns
and takes advantage of the relationships between them. We test our model on two
datasets covering 19 years of investment fund activities. Our experimental
results show that the proposed approach significantly outperforms typical
DNN-based and statistical models at forecasting the 21-day price trajectory. We
point out how improving forecasting accuracy and knowing which forecaster to
use can improve the excess return of autonomous trading strategies.
- Abstract（参考訳）: 社会的設定における最適な意思決定は、しばしば時系列(TS)データからの予測に基づいて行われる。
近年,リカレントニューラルネットワーク (recurrent neural network, rnns) などのディープニューラルネットワーク (dnn) を用いたts予測手法が提案されている。
しかし、これらの手法の適用性は、品質トレーニングデータの欠如や、予測するTSが複雑な振る舞いを示すTS設定で疑問視されている。
このような設定の例としては、正確で一貫した長期予測を生成する金融TS予測がある。
本研究では,DNNに基づくモデルを用いて,生の時系列表現から予測を計算するのではなく,シリーズの連立表現を学習することで,これらのTSを共役的に予測できるかどうかを検討する。
この目的のために、動的因子グラフ(DFG)を用いて多変量自己回帰モデルを構築する。
本稿では,DFGフレームワークに依存するRNNの共通制限について検討し,それに対応する新しい可変長アテンションベース機構(ACTM)を提案する。
ACTMでは、TSモデルの自己回帰順序を時間とともに変化させ、従来のアプローチよりも大きな確率分布をモデル化することができる。
このメカニズムを用いて,多変量ts予測のための自己教師付きdnnアーキテクチャを提案する。
19年間の投資ファンド活動をカバーする2つのデータセットでモデルをテストする。
実験の結果,提案手法は21日間の価格軌道予測において,典型的なDNNモデルおよび統計モデルよりも有意に優れていた。
予測精度を向上し、どの予測器を使うかを知ることが、自律的な取引戦略の過剰なリターンをいかに改善できるかを指摘する。
関連論文リスト
- F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。
タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。
従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文 参考訳（メタデータ） (2024-06-23T21:28:50Z) - Predictive Churn with the Set of Good Models [64.05949860750235]
近似機械学習モデルの集合に対する競合予測の効果について検討する。
ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。
当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
論文 参考訳（メタデータ） (2024-02-12T16:15:25Z) - Graph-enabled Reinforcement Learning for Time Series Forecasting with
Adaptive Intelligence [11.249626785206003]
グラフニューラルネットワーク(GNN)と強化学習(RL)を用いたモニタリングによる時系列データの予測手法を提案する。
GNNは、データのグラフ構造をモデルに明示的に組み込むことができ、時間的依存関係をより自然な方法でキャプチャすることができる。
このアプローチは、医療、交通、天気予報など、複雑な時間構造におけるより正確な予測を可能にする。
論文 参考訳（メタデータ） (2023-09-18T22:25:12Z) - DiffSTG: Probabilistic Spatio-Temporal Graph Forecasting with Denoising
Diffusion Models [53.67562579184457]
本稿では,不確実性や複雑な依存関係のモデル化が困難であることから,確率的STG予測に焦点をあてる。
本稿では,一般的な拡散モデルをSTGに一般化する最初の試みとして,DiffSTGと呼ばれる新しい非自己回帰フレームワークを提案する。
提案手法は,本質的時間学習能力STNNと拡散モデルの不確実性測定を組み合わせたものである。
論文 参考訳（メタデータ） (2023-01-31T13:42:36Z) - Probabilistic AutoRegressive Neural Networks for Accurate Long-range
Forecasting [6.295157260756792]
確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。
PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。
本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
論文 参考訳（メタデータ） (2022-04-01T17:57:36Z) - ES-dRNN: A Hybrid Exponential Smoothing and Dilated Recurrent Neural
Network Model for Short-Term Load Forecasting [1.4502611532302039]
複雑な時系列(TS)のため、短期負荷予測(STLF)は困難である
本稿では,複数の季節性を扱うハイブリッド階層型ディープラーニングモデルを提案する。
指数スムージング(ES)とリカレントニューラルネットワーク(RNN)を組み合わせる。
論文 参考訳（メタデータ） (2021-12-05T19:38:42Z) - Neural forecasting at scale [8.245069318446415]
本研究では,大規模な時系列集合上での時系列予測のために,アンサンブルに基づくディープニューラルネットワークを効率的にスケーリングする問題について検討する。
我々のモデルは、関連するモデルの実用的限界に対処し、トレーニング時間を半減し、メモリ要件を5。
論文 参考訳（メタデータ） (2021-09-20T17:22:40Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳（メタデータ） (2021-01-31T06:49:33Z) - Deep Distributional Time Series Models and the Probabilistic Forecasting
of Intraday Electricity Prices [0.0]
本稿では,深部時系列確率モデルを構築するための2つのアプローチを提案する。
1つ目は、ESNの出力層が、追加の正規化の前に乱れと縮小がある点である。
第二のアプローチは、特徴空間上の深いコプラ過程であるガウス乱れを伴うESNの暗黙のコプラを用いる。
論文 参考訳（メタデータ） (2020-10-05T08:02:29Z) - Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。
THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。
本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文 参考訳（メタデータ） (2020-02-21T13:48:13Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。