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
- 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 [56.53308504862033]
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を融合させる直感的な方法である。
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) - Communication-Efficient Federated Learning with Compensated
Overlap-FedAvg [22.636184975591004]
フェデレーションラーニングは、クラスタ内でデータセットを共有することなく、複数のクライアントの複合データによるモデルトレーニングを実行するために提案される。
Overlap-FedAvgはモデルアップロードおよびダウンロードフェーズとモデルトレーニングフェーズを並列化するフレームワークである。
オーバーラップfedavgはさらに階層的計算戦略、データ補償機構、ネステロフ加速勾配(nag)アルゴリズムを用いて開発されている。
論文 参考訳(メタデータ) (2020-12-12T02:50:09Z) - Recurrent Multi-view Alignment Network for Unsupervised Surface
Registration [79.72086524370819]
非厳格な登録をエンドツーエンドで学習することは、本質的に高い自由度とラベル付きトレーニングデータの欠如により困難である。
我々は、いくつかの剛性変換のポイントワイドな組み合わせで、非剛性変換を表現することを提案する。
また,投影された多視点2次元深度画像上での3次元形状の類似度を計測する可微分損失関数も導入する。
論文 参考訳(メタデータ) (2020-11-24T14:22:42Z) - 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) - Understanding Self-supervised Learning with Dual Deep Networks [74.92916579635336]
本稿では,2組の深層ReLUネットワークを用いたコントラスト型自己教師学習(SSL)手法を理解するための新しい枠組みを提案する。
種々の損失関数を持つSimCLRの各SGD更新において、各層の重みは共分散演算子によって更新されることを示す。
共分散演算子の役割と、そのようなプロセスでどのような特徴が学習されるかをさらに研究するために、我々は、階層的潜在木モデル(HLTM)を用いて、データ生成および増大過程をモデル化する。
論文 参考訳(メタデータ) (2020-10-01T17:51:49Z) - 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) - Recent Developments Combining Ensemble Smoother and Deep Generative
Networks for Facies History Matching [58.720142291102135]
本研究は、ファシズムモデルのための連続パラメータ化を構築するためのオートエンコーダネットワークの利用に焦点を当てる。
本稿では,VAE,GAN,Wasserstein GAN,変分自動符号化GAN,サイクルGANの主成分分析(PCA),転送スタイルネットワークのPCA,スタイル損失のVAEの7種類の定式化をベンチマークする。
論文 参考訳(メタデータ) (2020-05-08T21:32:42Z)
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。