WATTNet:通过高度多元时间序列的分层时空表征学习外汇交易
本文探讨了通过利用深度学习的结构,对股价波动进行建模的可行性,并针对2018天中的1314个股票序列,通过负对数似然度量对现实世界的股票时间序列的实验进行比较,结果表明,与GARCH家族的各种常用确定性模型和最近提出的几个随机模型相比,包括扩展CNN和扩展循环神经网络等扩展神经模型产生了最准确的估计和预测
Nov, 2018
使用数据驱动的Quant GANs模型结合具有长期依赖性的时间卷积网络 (TCNs)成功地捕捉金融时间序列中的波动集群、杠杆效应和序列自相关性,并在小、大滞后的分布性质方面表现出色。
Jul, 2019
该研究介绍了一种新的深度神经网络架构并提出了一种新的方法来准备金融数据以便于它们被馈入该模型,以预测股票和加密货币市场的价格波动。研究表明,该框架可以提供有利可图和稳健的预测,并引入一个交易策略来利用训练模型的输出。
May, 2022
本研究提出了一个用于预测股票走势的框架,利用 DNN 技术实现了逐股票的内部动态与不同股票间多阶相关性建模,并采用了基于小波基的超图注意力,实现了在效率与准确率上的平衡。实验结果表明,该框架在收益和稳定性方面超越了现有方法。
Nov, 2022
DeepTraderX(DTX)是一种简单的基于深度学习的交易机器人,通过观察其他策略产生的价格,以及利用历史的Level-2市场数据,成功地将市场数据映射到报价并放置资产的买卖单,其结果经过统计分析验证,显示了简单模型的高效性,强调潜在利用“黑盒”深度学习系统创造更高效的金融市场。
Feb, 2024
本研究解决了金融时间序列建模中存在的非线性、非平稳以及高噪声水平带来的挑战。我们提出了PLUTUS,一种基于预训练的大型统一变压器模型,通过对比学习和自编码器技术,有效处理高噪声时间序列,且在多个任务中表现出色,为金融领域奠定了坚实的基础。
Aug, 2024
本研究解决了金融时间序列建模中的非线性、非平稳性和高噪声等挑战,传统模型难以捕捉复杂模式。我们提出的PLUTUS是一种基于大型预训练变换器的模型,能够有效捕捉金融时间序列中的规律,并在1000亿观察数据集上进行预训练,展示了强大的传递性和卓越的性能,为金融领域设立了新的技术标准。
Aug, 2024
本研究解决了股票市场趋势预测中的非线性和随机性挑战,通过评估多种先进的深度学习模型,包括新提出的xLSTM-TS模型,探讨了其在短期趋势预测中的有效性。研究发现,xLSTM-TS模型在预测股票价格方向方面表现优越,测试准确率达到72.82%,为市场预测中的机器学习应用提供了重要的见解。
Aug, 2024
本文解决了金融时间序列中信噪比低的问题,提出了一种利用扩散模型进行去噪的新方法。该方法通过逐步添加和去除噪声,重构原始数据,并实验证明去噪后的时间序列在未来收益分类任务中显著提高了性能,且交易信号能够带来更高收益和更低的交易成本。
Sep, 2024