Aug, 2023

面向多步回归股票价格预测中的随机性的扩散变分自编码器

PDF
TL;DR使用深层次变分自动编码器（VAE）和扩散概率技术，结合随机生成过程来进行序列预测，解决多步股票价格预测的问题，通过形成投资组合评估模型输出的有效性和处理不同类型预测不确定性的重要性。
multi-step stock price predictionvolatilityfinancial institutionsdiffusion-vae modelportfolio investment
发现论文，激发创造
  • 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

  • 条件去噪漫扩散在顺序推荐中的应用

    本研究提出了一种 条件去噪扩散模型 以应对生成敌对网络和变分自编码器在顺序推荐任务中的挑战，通过将过程分成易于处理的步骤来简化优化和推荐任务，同时采用新的优化模式，模型能够生成高质量的序列 / 项目表示并防止折叠

    Apr, 2023

  • DiffSTOCK：基于扩散模型的概率关系型股市预测

    我们提出了一种通用去噪扩散概率模型的方法，用于股票市场预测和投资组合管理。我们展示了去噪扩散概率模型在处理不确定性方面的有效性，并利用模型在时间序列预测中模拟更高的不确定性。此外，我们还提供了一种新颖的确定性架构 MaTCHS，利用蒙版关系转换网络来利用股票之间的关系。我们展示了该模型在预测市场动向和投资组合管理方面的最新性能。

    Mar, 2024

  • 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

  • 变分扩散自编码器：具有无条件扩散先验的深层潜变量模型

    采用扩散模型集成编码器和无条件扩散模型的得分函数，消除了 VAE 图像模糊的问题，并显著提高了性能。

    Apr, 2023

  • DiffuseVAE: 从低维潜变量中高效、可控、高保真生成

    提出了一种新的生成框架 DiffuseVAE，它将 VAE 与扩散建模框架相结合，为扩散模型提供了低维的 VAE 学习到的潜在代码，从而能够用于控制合成等下游任务，并且在速度与质量的平衡方面比标准无条件 DDPM / DDIM 模型要好，同时表现出与最先进的模型可比的综合质量，还显示出天生的对不同类型的噪声具有泛化能力。

    Jan, 2022

  • 使用条件变分自编码器与知识蒸馏生成长的财务报告

    通过条件变分自编码器和师生网络技术，从新闻数据中提取金融报告，并在公共数据集上取得了优于其他方法的结果。

    Oct, 2020

  • 随机扩散：一种用于随机时间序列预测的扩散概率模型

    通过利用扩散概率模型和随机扩散（StochDiff）模型，本研究提出了一种新型方法，学习每个时间步长的数据先验知识，从而更好地对高度随机化的时间序列进行建模，通过实验验证了该方法在随机时间序列预测中的有效性，并展示了在实际医疗指导中的应用潜力。

    Jun, 2024

  • 多模态潜在扩散

    介绍了一种基于确定性自编码器和遮蔽扩散模型的多模态生成模型，结果优于现有竞争对手的生成质量和一致性。

    Jun, 2023

  • 基于变分自编码器的图扩散源定位用于图反问题

    本文提出了一种基于概率模型的通用框架：SL-VAE 来定位任意扩散模式下的扩散源。SL-VAE 利用前向扩散估计模型和深度生成模型，近似扩散源分布并量化不确定性。最后，通过导出一个统一的目标函数，强制模型在任意扩散模式下进行泛化。在 7 个真实世界的数据集上进行的广泛实验表明了 SL-VAE 在重建扩散源方面的优越性。

    Jun, 2022