IJCAIJun, 2023

HireVAE：基于分层和制度变换 VAE 的在线自适应因子模型

PDF
TL;DR本文提出了第一个基于深度学习的在线自适应因子模型，其中核心是一个嵌套潜在空间，可以有效地估计有用的潜在因子并进而预测准确的股票回报，在股市常用基准测试中，HireVAE 表现出卓越的主动回报优势。
factor modeldeep learningonline and adaptivestock predictionquantitative investment
发现论文，激发创造
  • 基于变分循环自编码器的动态因子模型用于股票收益预测

    本研究介绍了一种名为 RVRAE 的开创性动态因子模型，它是一种概率性方法，专门处理市场数据中的时间依赖性和噪声，并通过深度学习中的变分循环自编码器 (VRAE) 将动态因子建模原理巧妙地结合起来。RVRAE 的一个关键特征是其使用先验 - 后验学习方法，通过寻找未来数据驱动的最优后验因子模型来优化模型的学习过程。值得注意的是，在波动性股票市场中，RVRAE 擅长风险建模，从潜在空间分布估计方差，并预测回报。我们对真实股票市场数据进行的实证测试证实了 RVRAE 相较于不同已有基准方法的优越性能。

    Mar, 2024

  • 可扩展的分解层次变分自编码器训练

    本文介绍一种基于变分推断的分层生成过程的因式分解分层变分自编码器（FHVAE）模型，该模型在许多语音应用方面已被证明可行，但其原始论文中提出的训练算法不适用于规模更大的数据集。本文提出了一种分层采样训练算法来解决这一问题，并对不同类型的数据集进行了全面评估，证明了我们提出的算法对所有数据集都表现出所需的特性。

    Apr, 2018

  • 多模态分层变分自编码器与因子分析潜变量

    本篇论文提出了一种新方法 FA-VAE，以克服深度生成模型的解释性，灵活性和模块化方面的局限性，并提高了数据共享和迁移学习的性能。

    Jul, 2022

  • Bayes-Factor-VAE: 基于层级贝叶斯方法的深度自动编码器模型用于因素解缠

    提出了一种名为 Bayes-Factor-VAEs 的新型层级贝叶斯深度自编码器模型，使用长尾分布对数据的可变因素进行因子分离，可以在几个基准测试中量化和定性地优于现有方法。

    Sep, 2019

  • 基于预测性变分自编码器的时间序列数据鲁棒表示学习

    利用预测时间下一节点以及基于时间平滑性的模型选择度量，我们提出了一种能够减轻 VAE 学习虚假特征，并能在合成数据集中准确恢复潜在因素的 VAE 架构。

    Dec, 2023

  • 相关因素 VAE：学习和识别解缠因素

    我们提出了一种新颖的基于 VAE 的深度自编码器模型，可以完全无监督地学习分解的潜在表征，具有识别所有有意义的变异源及其基数的能力，该模型通过引入所谓的关联指标变量并联合 VAE 参数进行自动学习，有效地将总相关损失集中到相关因素上，我们的模型在许多具有挑战性的基准数据集上胜过了现有方法。

    Feb, 2019

  • 解决变分自编码器中的过度剪枝问题

    本研究比较了多种方法来解决变分自编码器中随机因素无法学习和失活等问题，并提出了一种更有效的基于模型的方法，称为最佳变分自编码器，该方法有助于防止单元失活，并比 VAE 更好地使用了模型容量，产生更好的泛化性能。

    Jun, 2017

  • 利用条件变分自动编码器进行高级信息的股票成交量预测

    使用条件变分编码器（CVAE）改善每日股票交易量时间序列的短期和长期预测任务，生成非线性时间序列的预测，具有更高的准确性和更接近实际数据的相关性拟合度，可用于情景生成和讨论非平稳时间序列的相关性和其他潜在扩展。

    Jun, 2024

  • 异质性时间和纵向数据的变分自编码器

    本文提出了用于处理异构数据的异构纵向变分自编码器，该模型通过建立生成模型和推断网络实现了高维数据的有效推断和处理，并使用连续、计数、分类和序数数据的似然模型来处理缺失值和实现预测。通过模拟和临床数据的实验验证了模型的有效性和预测精度。

    Apr, 2022

  • 多模态车辆轨迹预测的分层潜在结构

    利用层级潜在结构和车道级上下文向量，提升了变分自编码器在基于轨迹预测模型中的性能，生成复杂的多模态轨迹分布，并在预测准确度方面优于现有模型。

    Jul, 2022