論文の概要: SuperDeConFuse: A Supervised Deep Convolutional Transform based Fusion
Framework for Financial Trading Systems
- arxiv url: http://arxiv.org/abs/2011.04364v1
- Date: Mon, 9 Nov 2020 11:58:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-28 02:21:49.708373
- Title: SuperDeConFuse: A Supervised Deep Convolutional Transform based Fusion
Framework for Financial Trading Systems
- Title（参考訳）: superdeconfuse: 金融取引システムのための教師付き深層畳み込み変換に基づく融合フレームワーク
- Authors: Pooja Gupta, Angshul Majumdar, Emilie Chouzenoux, Giovanni Chierchia
- Abstract要約: 本研究は、金融株取引のための教師付きマルチチャネル時系列学習フレームワークを提案する。
我々のアプローチは、データチャネルを別々の1次元畳み込み層で処理し、それから出力を一連の完全に接続された層で融合し、最終的にソフトマックス分類層を適用します。
数値実験により,提案モデルにより,ストックトレーディングの現実問題に対する最先端のディープラーニング技術よりもかなり優れた結果が得られることを確認した。
- 参考スコア（独自算出の注目度）: 29.411173536818477
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work proposes a supervised multi-channel time-series learning framework
for financial stock trading. Although many deep learning models have recently
been proposed in this domain, most of them treat the stock trading time-series
data as 2-D image data, whereas its true nature is 1-D time-series data. Since
the stock trading systems are multi-channel data, many existing techniques
treating them as 1-D time-series data are not suggestive of any technique to
effectively fusion the information carried by the multiple channels. To
contribute towards both of these shortcomings, we propose an end-to-end
supervised learning framework inspired by the previously established
(unsupervised) convolution transform learning framework. Our approach consists
of processing the data channels through separate 1-D convolution layers, then
fusing the outputs with a series of fully-connected layers, and finally
applying a softmax classification layer. The peculiarity of our framework -
SuperDeConFuse (SDCF), is that we remove the nonlinear activation located
between the multi-channel convolution layers and the fully-connected layers, as
well as the one located between the latter and the output layer. We compensate
for this removal by introducing a suitable regularization on the aforementioned
layer outputs and filters during the training phase. Specifically, we apply a
logarithm determinant regularization on the layer filters to break symmetry and
force diversity in the learnt transforms, whereas we enforce the non-negativity
constraint on the layer outputs to mitigate the issue of dead neurons. This
results in the effective learning of a richer set of features and filters with
respect to a standard convolutional neural network. Numerical experiments
confirm that the proposed model yields considerably better results than
state-of-the-art deep learning techniques for real-world problem of stock
trading.
- Abstract（参考訳）: 本研究では,金融株取引のための多チャンネル時系列学習フレームワークを提案する。
この領域では近年、多くのディープラーニングモデルが提案されているが、そのほとんどは株式取引時系列データを2次元画像データとして扱うが、その真の性質は1次元時系列データである。
ストックトレーディングシステムはマルチチャネルデータであるため、1次元時系列データとして扱う多くの既存の手法は、複数のチャネルが持つ情報を効果的に融合させる手法を示唆していない。
これらの欠点を両立するために,我々は,以前に確立された(教師なし)畳み込み変換学習フレームワークに着想を得た,エンドツーエンドの教師付き学習フレームワークを提案する。
我々のアプローチは、データチャネルを別々の1次元畳み込み層で処理し、出力を一連の完全連結層で融合し、最終的にsoftmax分類層を適用することで成り立っている。
フレームワークSuperDeConFuse(SDCF)の特徴は、マルチチャネル畳み込み層と完全連結層の間に位置する非線形活性化と、後者と出力層の間に位置する非線型活性化を除去することである。
学習段階では,上記の層出力とフィルタに適切な正則化を導入することで,この除去を補う。
具体的には、層フィルタに対数行列正則化を適用し、学習した変換の対称性と力の多様性を損なう一方、層出力に非負性制約を適用し、死んだニューロンの問題を緩和する。
これにより、標準的な畳み込みニューラルネットワークに関して、よりリッチな特徴とフィルタのセットを効果的に学習することができる。
数値実験により,提案モデルにより,ストックトレーディングの現実問題に対する最先端のディープラーニング技術よりもかなり優れた結果が得られることを確認した。
関連論文リスト
- Parallel Multi-path Feed Forward Neural Networks (PMFFNN) for Long Columnar Datasets: A Novel Approach to Complexity Reduction [0.0]
我々はPMFFNN(Parallel Multi-path Feed Forward Neural Networks)と呼ばれる新しいアーキテクチャを導入する。
そうすることで、アーキテクチャは各機能のサブセットに注目が集まることを保証します。
PMFFNNは従来のFFNNや1D CNNよりも優れており、大規模データ管理に最適化されたソリューションを提供する。
論文 参考訳（メタデータ） (2024-11-09T00:48:32Z) - A Framework for Fine-Tuning LLMs using Heterogeneous Feedback [69.51729152929413]
ヘテロジニアスフィードバックを用いた大規模言語モデル(LLM)の微調整フレームワークを提案する。
まず、不均一なフィードバックデータをSFTやRLHFなどの手法と互換性のある単一の監視形式にまとめる。
次に、この統合されたフィードバックデータセットから、性能向上を得るために高品質で多様なサブセットを抽出する。
論文 参考訳（メタデータ） (2024-08-05T23:20:32Z) - Multi-Epoch learning with Data Augmentation for Deep Click-Through Rate Prediction [53.88231294380083]
非連続的な学習シナリオと連続的な学習シナリオの両方に適合する、新しいMulti-Epoch Learning with Data Augmentation (MEDA)フレームワークを導入する。
MEDAは、その後のトレーニングデータへの埋め込み層の依存性を減らし、過度な適合を最小化する。
実験の結果,プレトレーニングした層が新しい埋め込み空間に適応し,過度に適合することなく性能を向上できることが確認された。
論文 参考訳（メタデータ） (2024-06-27T04:00:15Z) - Entropy Guided Extrapolative Decoding to Improve Factuality in Large Language Models [55.45444773200529]
大きな言語モデル(LLM)は印象的な自然言語能力を示すが、幻覚に苦しむ。
最近の研究は推論時の事実性を改善するための復号化技術に焦点を当てている。
論文 参考訳（メタデータ） (2024-04-14T19:45:35Z) - GIFD: A Generative Gradient Inversion Method with Feature Domain
Optimization [52.55628139825667]
Federated Learning(FL)は、クライアントのプライバシを保護するための有望な分散機械学習フレームワークとして登場した。
近年の研究では、事前学習された生成逆ネットワーク(GAN)を事前知識として活用することにより、攻撃者が共有勾配を逆転し、FLシステムに対する機密データを回復できることが示されている。
textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD)を提案する。
論文 参考訳（メタデータ） (2023-08-09T04:34:21Z) - Layer-wise Linear Mode Connectivity [52.6945036534469]
ニューラルネットワークパラメータの平均化は、2つの独立したモデルの知識の直感的な方法である。
フェデレートラーニングにおいて最も顕著に用いられている。
私たちは、単一グループやグループを平均化するモデルの性能を分析します。
論文 参考訳（メタデータ） (2023-07-13T09:39:10Z) - Large Scale Time-Series Representation Learning via Simultaneous Low and
High Frequency Feature Bootstrapping [7.0064929761691745]
本稿では,非コントラスト型自己教師型学習手法を提案する。
提案手法は生の時系列データを入力として、モデルの2つのブランチに対して2つの異なる拡張ビューを生成する。
モデルの堅牢性を実証するために,5つの実世界の時系列データセットに関する広範な実験とアブレーション研究を行った。
論文 参考訳（メタデータ） (2022-04-24T14:39:47Z) - Data-efficient Alignment of Multimodal Sequences by Aligning Gradient
Updates and Internal Feature Distributions [36.82512331179322]
近年の研究では、異なるモダリティを扱うネットワークコンポーネントが、異なる速度でオーバーフィットし、一般化し、トレーニングの難しさを生んでいることが示唆されている。
本稿では,各層における勾配更新の規模を調整し,学習速度のバランスをとるため,LARS(Layer-wise Adaptive Rate Scaling)を提案する。
また、シーケンスワイドバッチ正規化(SBN)を用いて、内部の特徴分布を異なるモードから整列する。
論文 参考訳（メタデータ） (2020-11-15T13:04:25Z) - ConFuse: Convolutional Transform Learning Fusion Framework For
Multi-Channel Data Analysis [29.58965424136611]
本稿では、最近提案された畳み込み変換学習の%に基づく教師なし融合フレームワークを提案する。
この枠組みを多チャンネル金融データに適用し、株価予測とトレーディングを行う。
論文 参考訳（メタデータ） (2020-11-09T10:41:28Z) - Dual-constrained Deep Semi-Supervised Coupled Factorization Network with
Enriched Prior [80.5637175255349]
本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。
隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。
我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
論文 参考訳（メタデータ） (2020-09-08T13:10:21Z)
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。