論文の概要: Bilinear Input Normalization for Neural Networks in Financial Forecasting

• arxiv url: http://arxiv.org/abs/2109.00983v1
• Date: Wed, 1 Sep 2021 07:52:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-03 13:43:48.506992
• Title: Bilinear Input Normalization for Neural Networks in Financial Forecasting
• Title（参考訳）: 財務予測におけるニューラルネットワークの双線形入力正規化
• Authors: Dat Thanh Tran, Juho Kanniainen, Moncef Gabbouj, Alexandros Iosifidis
• Abstract要約: 本稿では,高頻度金融時系列を扱うディープニューラルネットワークのための新しいデータ駆動正規化手法を提案する。 提案手法は,財務時系列のバイモーダル特性を考慮したものである。 我々の実験は最先端のニューラルネットワークと高周波データを用いて行われ、他の正規化技術よりも大幅に改善された。
• 参考スコア（独自算出の注目度）: 101.89872650510074
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data normalization is one of the most important preprocessing steps when building a machine learning model, especially when the model of interest is a deep neural network. This is because deep neural network optimized with stochastic gradient descent is sensitive to the input variable range and prone to numerical issues. Different than other types of signals, financial time-series often exhibit unique characteristics such as high volatility, non-stationarity and multi-modality that make them challenging to work with, often requiring expert domain knowledge for devising a suitable processing pipeline. In this paper, we propose a novel data-driven normalization method for deep neural networks that handle high-frequency financial time-series. The proposed normalization scheme, which takes into account the bimodal characteristic of financial multivariate time-series, requires no expert knowledge to preprocess a financial time-series since this step is formulated as part of the end-to-end optimization process. Our experiments, conducted with state-of-the-arts neural networks and high-frequency data from two large-scale limit order books coming from the Nordic and US markets, show significant improvements over other normalization techniques in forecasting future stock price dynamics.
• Abstract（参考訳）: データ正規化は、特に関心のモデルがディープニューラルネットワークである場合、マシンラーニングモデルを構築する上で最も重要な前処理ステップの1つである。 これは、確率勾配降下に最適化されたディープニューラルネットワークが入力変数範囲に敏感であり、数値問題に傾向があるためである。 他の種類の信号とは異なり、金融時系列は、高ボラティリティ、非定常性、マルチモダリティなどのユニークな特徴をしばしば示し、適切な処理パイプラインを設計するために専門的なドメイン知識を必要とする。 本稿では,高周波金融時系列を扱う深層ニューラルネットワークのための新しいデータ駆動正規化手法を提案する。 金融多変量時系列のバイモーダル特性を考慮した正規化方式では、エンドツーエンドの最適化プロセスの一部として定式化されるため、財務時系列を前処理する専門知識は不要である。 本実験は,北欧市場と米国市場から来日する2つの大規模リミットオーダーブックから,最先端のニューラルネットワークと高周波データを用いて実施し,今後の株価変動を予測する上で,他の正規化技術よりも大幅に改善されたことを示す。

関連論文リスト

• Temporal Convolution Derived Multi-Layered Reservoir Computing [5.261277318790788]
  貯水池の状態空間への入力データの新たなマッピングを提案する。 ニューラルネットワークの並列化性,深さ,予測能力を向上する2つの新しいネットワークアーキテクチャにこの手法を組み込む。 カオス時系列では、Echo State Networksと比較して最大85.45%、Gated Recurrent Unitsと比較して90.72%のエラー削減が観察される。
  論文  参考訳（メタデータ） (2024-07-09T11:40:46Z)
• Extended Deep Adaptive Input Normalization for Preprocessing Time Series Data for Neural Networks [0.0]
  本研究では,与えられたタスクに対する不規則な時系列データをエンドツーエンドで適切に正規化する方法を学習する新しい適応型ニューラルネットワーク層であるEDAIN層を提案する。 筆者らは, 合成データ, 信用デフォルト予測データセット, 大規模リミットオーダーブックベンチマークデータセットを用いて, EDAIN層の優れた性能を実証した。
  論文  参考訳（メタデータ） (2023-10-23T08:56:01Z)
• Online Evolutionary Neural Architecture Search for Multivariate Non-Stationary Time Series Forecasting [72.89994745876086]
  本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。 ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。 その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
  論文  参考訳（メタデータ） (2023-02-20T22:25:47Z)
• Augmented Bilinear Network for Incremental Multi-Stock Time-Series Classification [83.23129279407271]
  本稿では,有価証券のセットで事前学習したニューラルネットワークで利用可能な知識を効率的に保持する手法を提案する。 本手法では,既存の接続を固定することにより,事前学習したニューラルネットワークに符号化された事前知識を維持する。 この知識は、新しいデータを用いて最適化された一連の拡張接続によって、新しい証券に対して調整される。
  論文  参考訳（メタデータ） (2022-07-23T18:54:10Z)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)
• Multi-head Temporal Attention-Augmented Bilinear Network for Financial time series prediction [77.57991021445959]
  本稿では,時間的注意と多面的注意の考え方に基づいて,ニューラルネットワークの能力を拡張するニューラルネットワーク層を提案する。 本手法の有効性を,大規模書籍市場データを用いて検証した。
  論文  参考訳（メタデータ） (2022-01-14T14:02:19Z)
• Multivariate Anomaly Detection based on Prediction Intervals Constructed using Deep Learning [0.0]
  提案手法は,よく確立された統計モデルに対するものである。 我々は3つのディープラーニングアーキテクチャ、すなわちカスケードニューラルネットワーク、貯水池コンピューティング、長期記憶のリカレントニューラルネットワークに焦点を当てている。
  論文  参考訳（メタデータ） (2021-10-07T12:34:31Z)
• Low-Rank Temporal Attention-Augmented Bilinear Network for financial time-series forecasting [93.73198973454944]
  ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。 近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。 本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
  論文  参考訳（メタデータ） (2021-07-05T10:15:23Z)
• Improved Predictive Deep Temporal Neural Networks with Trend Filtering [22.352437268596674]
  本稿では,ディープニューラルネットワークとトレンドフィルタリングに基づく新しい予測フレームワークを提案する。 我々は,学習データをトレンドフィルタリングによって時間的に処理した場合,深部時相ニューラルネットワークの予測性能が向上することを明らかにする。
  論文  参考訳（メタデータ） (2020-10-16T08:29:36Z)

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。