网络动量提供一种新型的风险溢价，利用金融网络中的资产相互连接来预测未来回报。我们提出了 L2GMOM，这是一个端对端的机器学习框架，它同时学习金融网络和优化网络动量策略的交易信号，通过 64 个连续期货合约的回测表明，在 20 年的时间段内，投资组合的盈利能力和风险控制有显著提高，夏普比率为 1.74。

Aug, 2023

我们提出了 DE-TSMCL，这是一个创新的蒸馏增强框架，用于长序列时间序列预测，通过设计可学习的数据增强机制、提出具有动量更新的对比学习任务以及设计监督任务，联合优化多个任务，从而学习下游预测任务的有效表示，实验证明了 DE-TSMCL 的有效性，最大的改进达到 27.3%。

Jan, 2024

该研究探讨了多任务学习在时间序列分类问题中的应用，并提出了一种基于二维卷积的模型设计，通过增强模型的表达能力，在 UCR Archive 和一个工业交易时间序列数据集上取得了优于竞争方法的表现。

Oct, 2023

本文提出了一种新的编码框架，它依赖于自监督学习来学习各种生理领域的多元时间序列的表示，从而解决有限可用性的标记生理数据通常防止在生物医学机器智能领域使用强大的监督深度学习模型的问题，并得出新方法可以学会区分特征被用于下游分类任务。

Jun, 2023

本文提出了一种名为 EMTL 的新型多任务学习优化方法，通过正则化不同任务的相对贡献，在更新共享参数时改善了多任务学习的泛化性能，并通过扩展实验验证了该方法的稳定性和优越性。

Jun, 2023

多任务学习中的问题和挑战，包括优化算法的评估，梯度级别的比较，梯度角度和相对梯度范数的局限性，以及基于特征提取器的潜在空间和特征解缠的训练监测结果。

Feb, 2024

使用多任务学习的方法，通过考虑过度风险的任务平衡，来解决存在标签噪音的情况下，优化问题中任务权重难以调整的挑战。

Feb, 2024

本综述对时序预训练模型进行了全面回顾，介绍了典型的深度学习模型，总结了有监督、无监督和自监督时间序列预训练模型，分析了迁移学习策略、基于 Transformer 的模型和代表性 TS-PTMs 的优缺点，指出了未来的研究方向。

May, 2023

该论文提出了一种新颖的方法来对冒险资产组合进行对冲，当金融市场受到金融动荡的影响时。我们引入了一种完全新颖的方法，通过基于这些资产价格的集合算法投资策略（AIS）的层面而不是单个资产的层面，来进行多样化活动。我们采用四种不同的理论模型（LSTM - 长短期记忆，ARIMA-GARCH - 自回归移动平均 - 广义自回归条件异方差，动量和逆势）来生成价格预测，然后将其用于产生单个和复杂的 AIS 投资信号。通过这种方式，我们能够验证由各种资产（能源商品、贵金属、加密货币或软商品）组成的不同类型的投资策略在对冲组成的用于股票指数（标普 500 指数）的集合 AIS 中的多样化潜力。本研究使用的实证数据涵盖了 2004 年至 2022 年的时期。我们的主要结论是基于 LSTM 的策略优于其他模型，并且对于为标普 500 指数构建的 AIS 来说，最好的多样化方法是为比特币构建的 AIS。最后，我们对 LSTM 模型在更高频率的数据（1 小时）进行了测试。我们得出结论，它的表现优于使用日常数据获得的结果。

Sep, 2023

本文介绍了多任务学习中的负迁移问题，提出了一种通过指数移动平均进行损失平衡的技术，以达到深度学习模型的高效训练，实现了与当前最佳方法相媲美的效果。

Nov, 2022