[论文解读] Data-driven Neural Architecture Learning For Financial Time-series Forecasting
本文提出了一种基于广义操作感知器（Generalized Operational Perceptrons）的数据驱动神经架构学习框架，用于建模金融时间序列中的复杂、非平稳和非线性依赖关系。通过引入改进的损失函数以处理类别不平衡问题，该方法在大规模委托单簿数据集上优于张量基模型和传统模型，在真实金融场景中展现出更优的预测精度。
Forecasting based on financial time-series is a challenging task since most real-world data exhibits nonstationary property and nonlinear dependencies. In addition, different data modalities often embed different nonlinear relationships which are difficult to capture by human-designed models. To tackle the supervised learning task in financial time-series prediction, we propose the application of a recently formulated algorithm that adaptively learns a mapping function, realized by a heterogeneous neural architecture composing of Generalized Operational Perceptron, given a set of labeled data. With a modified objective function, the proposed algorithm can accommodate the frequently observed imbalanced data distribution problem. Experiments on a large-scale Limit Order Book dataset demonstrate that the proposed algorithm outperforms related algorithms, including tensor-based methods which have access to a broader set of input information.
研究动机与目标
- 解决具有复杂多模态依赖关系的非平稳和非线性金融时间序列预测挑战。
- 克服人工设计模型在捕捉不同数据模态间异质非线性关系方面的局限性。
- 开发一种能够适应数据驱动模式而非依赖固定架构假设的神经架构学习方法。
- 减轻金融时间序列中常见类别不平衡分布的影响，尤其是在方向性预测任务中。
提出的方法
- 该方法采用由广义操作感知器（GOPs）组成的异质神经架构，这些可微分算子能够建模复杂非线性映射。
- 引入改进的目标函数以考虑金融时间序列中的类别不平衡问题，提升模型对少数类方向变动的鲁棒性。
- 在带标签的金融数据上端到端训练该架构，直接从输入特征学习最优函数映射，无需预先设定结构假设。
- 该方法利用数据驱动的搜索机制，发现针对金融数据统计特性量身定制的有效神经架构。
- 使用反向传播与梯度下降进行模型训练，以优化方向性预测准确率。
实验结果
研究问题
- RQ1数据驱动的神经架构学习方法是否能在具有非平稳和非线性动态的金融时间序列预测中超越手工设计模型？
- RQ2由广义操作感知器组成的神经架构在捕捉金融数据中的多模态和异质依赖关系方面效果如何？
- RQ3改进的目标函数在类别不平衡的金融时间序列预测任务中能多大程度上提升性能？
- RQ4所提出的方法是否在性能上优于利用更广泛输入信息的张量基模型？
主要发现
- 在大规模委托单簿数据集上，所提方法在预测性能上优于最先进的张量基方法。
- 由于采用了改进的目标函数，模型对类别不平衡具有鲁棒性，而这是金融时间序列中的常见问题。
- 数据驱动的神经架构学习方法能有效捕捉不同金融数据模态之间的复杂非线性依赖关系。
- 即使未使用张量基基线模型所依赖的全部输入特征，该方法在方向性预测准确率上仍优于传统模型。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。