論文の概要: DoubleAdapt: A Meta-learning Approach to Incremental Learning for Stock
Trend Forecasting
- arxiv url: http://arxiv.org/abs/2306.09862v2
- Date: Mon, 17 Jul 2023 05:18:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-18 21:51:00.522740
- Title: DoubleAdapt: A Meta-learning Approach to Incremental Learning for Stock
Trend Forecasting
- Title(参考訳): DoubleAdapt: ストックトレンド予測のためのインクリメンタルラーニングのためのメタラーニングアプローチ
- Authors: Lifan Zhao, Shuming Kong, Yanyan Shen
- Abstract要約: 2つのアダプタを持つエンドツーエンドのフレームワークを提案し、データとモデルを効果的に適応させ、分散シフトの効果を緩和する。
私たちのキーとなる洞察は、ストックデータをローカルな定常分布に自動的に適応させ、利益を上げる更新を優先する方法を学ぶことです。
実世界のストックデータセットの実験では、DoubleAdaptは最先端の予測性能を達成し、かなりの効率を示している。
- 参考スコア(独自算出の注目度): 15.830713121725763
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Stock trend forecasting is a fundamental task of quantitative investment
where precise predictions of price trends are indispensable. As an online
service, stock data continuously arrive over time. It is practical and
efficient to incrementally update the forecast model with the latest data which
may reveal some new patterns recurring in the future stock market. However,
incremental learning for stock trend forecasting still remains under-explored
due to the challenge of distribution shifts (a.k.a. concept drifts). With the
stock market dynamically evolving, the distribution of future data can slightly
or significantly differ from incremental data, hindering the effectiveness of
incremental updates. To address this challenge, we propose DoubleAdapt, an
end-to-end framework with two adapters, which can effectively adapt the data
and the model to mitigate the effects of distribution shifts. Our key insight
is to automatically learn how to adapt stock data into a locally stationary
distribution in favor of profitable updates. Complemented by data adaptation,
we can confidently adapt the model parameters under mitigated distribution
shifts. We cast each incremental learning task as a meta-learning task and
automatically optimize the adapters for desirable data adaptation and parameter
initialization. Experiments on real-world stock datasets demonstrate that
DoubleAdapt achieves state-of-the-art predictive performance and shows
considerable efficiency.
- Abstract(参考訳): 株価トレンド予測は、価格トレンドの正確な予測が不可欠である量的投資の基本的な課題である。
オンラインサービスとして、ストックデータは時間とともにやってくる。
予測モデルを最新のデータで漸進的に更新することは実用的かつ効率的であり、将来の株式市場で繰り返される新たなパターンを明らかにする可能性がある。
しかし、株価トレンド予測の漸進的な学習は、分配シフト(つまり概念の漂流)の難しさにより、まだ未解明のままである。
株式市場が動的に進化するにつれて、将来のデータの分布はインクリメンタルなデータとわずかにあるいは著しく異なり、インクリメンタルな更新の効果を阻害する。
この課題に対処するために,2つのアダプタを備えたエンドツーエンドフレームワークであるdoubleadaptを提案する。
私たちのキーとなる洞察は、ストックデータをローカルな定常分布に自動的に適応させ、利益を上げる更新を優先する方法を学ぶことです。
データ適応によって補うことで、緩和分布シフトの下でモデルパラメータを確実に適応させることができる。
各インクリメンタルな学習タスクをメタ学習タスクとしてキャストし、望ましいデータ適応とパラメータ初期化のためのアダプタを自動的に最適化します。
実世界のストックデータセットの実験では、DoubleAdaptは最先端の予測性能を達成し、かなりの効率を示している。
関連論文リスト
- Diffusion-based Neural Network Weights Generation [85.6725307453325]
データセット条件付き事前学習重み抽出による効率よく適応的な伝達学習手法を提案する。
具体的には、ニューラルネットワークの重みを再構築できる変分オートエンコーダを備えた潜時拡散モデルを用いる。
論文 参考訳(メタデータ) (2024-02-28T08:34:23Z) - Improving the Transferability of Time Series Forecasting with
Decomposition Adaptation [14.09967794482993]
時系列予測では、十分なデータを得るのは難しいため、ニューラル予測モデルの性能が制限される。
データ不足の制限を軽減するため、SeDAN(Sequence Decomposition Adaptation Network)を設計する。
SeDANは、クロスドメインデータセットからの転送可能な知識を調整することで、ターゲットドメインでの予測性能を改善するための、新しい転送アーキテクチャである。
論文 参考訳(メタデータ) (2023-06-30T18:12:22Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated
Causal Convolutions [78.6363825307044]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
拡張畳み込みフィルタは日内財務データから関連情報を抽出するのに最適であることを示す。
論文 参考訳(メタデータ) (2022-09-23T16:13:47Z) - 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) - Beyond Transfer Learning: Co-finetuning for Action Localisation [64.07196901012153]
同時に、複数のアップストリームとダウンストリームのタスクで1つのモデルをトレーニングする。
共ファインタニングは、同じデータ量を使用する場合、従来のトランスファーラーニングよりも優れていることを示す。
さらに、複数のアップストリームデータセットへのアプローチを簡単に拡張して、パフォーマンスをさらに向上する方法も示しています。
論文 参考訳(メタデータ) (2022-07-08T10:25:47Z) - CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。
本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
論文 参考訳(メタデータ) (2022-06-01T03:02:07Z) - Backward-Compatible Prediction Updates: A Probabilistic Approach [12.049279991559091]
本稿では,予測更新問題を定式化し,上記の質問に対する効率的な確率的アプローチを提案する。
標準分類ベンチマークデータセットの広範な実験において,提案手法は後方互換性のある予測更新のための代替戦略よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-07-02T13:05:31Z) - Learning Multiple Stock Trading Patterns with Temporal Routing Adaptor
and Optimal Transport [8.617532047238461]
本稿では,複数の株取引パターンをモデル化し,既存の株価予測モデルを強化するための新しいアーキテクチャであるTemporal Adaptor(TRA)を提案する。
TRAは、複数のパターンを学習するための独立した予測器と、異なる予測器にサンプルをディスパッチするルータで構成される軽量モジュールである。
提案手法は,情報係数を0.053から0.059へ,情報係数を0.051から0.056に改善できることを示す。
論文 参考訳(メタデータ) (2021-06-24T12:19:45Z) - 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) - POLA: Online Time Series Prediction by Adaptive Learning Rates [4.105553918089042]
繰り返しニューラルネットワークモデルの学習速度を自動的に調整し、時系列パターンの変化に適応するPOLAを提案する。
POLAは、他のオンライン予測方法よりも総合的に、あるいは優れた予測性能を示す。
論文 参考訳(メタデータ) (2021-02-17T17:56:12Z)
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。