利用多变量时间序列转换器为创投和成长资本寻找投资目标

Sep, 2023

利用多变量时间序列转换器为创投和成长资本寻找投资目标

Sourcing Investment Targets for Venture and Growth Capital Using Multivariate Time Series Transformer

Lele Cao, Gustaf Halvardsson, Andrew McCornack, Vilhelm von Ehrenheim, Pawel Herman

TL;DR通过综述当前在私募股权行业中数据驱动方法的应用，本研究提出了一种新的方法，利用基于Transformer的多变量时间序列分类器（TMTSC）来预测任何候选公司的成功可能性，以优化风险投资和成长资本的投资目标的选择。通过对四个数据集的广泛实验，与三个常见基准进行比较，我们证明了这种方法在改进风险投资和成长资本行业中的决策制定方面的有效性。

Abstract

This paper addresses the growing application of data-driven approaches within the Private Equity (PE) industry, particularly in sourcing investment targets (i.e., companies) for venture capital (VC) and

发现论文，激发创造

多元时间序列的引领滞后检测与网络聚类，以美国股票市场为例

该研究提出一种用于检测多元时间序列的领先-滞后簇的方法，并通过美国股票市场的数据进行验证，这些簇可用于构建预测性金融信号。

Jan, 2022

短期股市预测的单变量和多变量LSTM模型

本文使用两种不同的输入方法设计了一种LSTM模型，以预测印度两家公司Reliance Industries和Infosys Ltd的短期股价。结果表明，使用技术指标的Multivariate LSTM模型可以更准确地预测未来的股价行为。

May, 2022

基于不同维度输入转换的多元时间序列分类的实证评估

本研究旨在探讨多维时间数据的分类，考虑到数据预处理和尺度调整对模型准确性的影响，研究测试了7种不同的数据转换方法和4个时间维度，通过测定五种不同方法的分类准确度来说明多元时间序列数据的处理方法的影响。研究表明，在大多数数据集上，最佳数据转换维度配置相对于具有相同超参数并且不经过尺度调整的模型，可以提高0.16到76.79%的分类准确度，并且不同特定数据集和分类器的最优配置不尽相同。

Oct, 2022

一种可扩展和自适应的系统，用于推断公司的行业领域：生成语言模型的Prompt +模型调整

本文提出了一个基于生成式语言模型的细分领域推断系统，在私募股权机构的行业投资中取得了优良的表现。

Jun, 2023

使用多元数据比较深度学习模型进行波动率预测

该研究旨在比较基于深度学习的多变量数据预测模型在波动率预测方面的表现, 结果表明Temporal Fusion Transformer优于传统方法和浅层网络，因此鼓励将其应用到实践中。

Jun, 2023

多元股票回报的生成机器学习

使用机器学习方法生成合成数据的应用越来越普遍，本文探讨了使用现代机器学习方法，特别是条件重要性加权自编码器和条件正态流，来对股票回报进行建模的有效性。研究的主要问题是对S&P 500的所有成员进行联合分布建模，结果表明这种生成模型在金融领域有广泛的应用，包括生成逼真的合成数据、波动性和相关性估计、风险分析（例如投资组合的风险价值，VaR）和投资组合优化。

Nov, 2023

多变量时间序列分类的数据增强: 一个实验研究

我们的研究探讨了数据增强对多变量时间序列模型性能的影响，重点关注UCR存档中的数据集。尽管这些数据集规模有限，但我们通过使用Rocket和InceptionTime模型，在13个数据集中有10个实现了分类准确度的提升。这突显了充足数据在训练有效模型中的重要作用，并与计算机视觉领域取得的进展相一致。我们的工作在创新的方式下将现有方法适应并应用于多变量时间序列分类领域。我们对这些技术的全面探索为解决时间序列分析中的数据稀缺性设立了新标准，强调多样化的增强策略对于发掘传统和深度学习模型的潜力至关重要。此外，通过细致分析和应用各种增强技术，我们证明了战略性的数据丰富可以提高模型准确度。这不仅为未来的时间序列分析研究确立了基准，还强调了在有限数据可用性情况下采用多样化增强方法以提高模型性能的重要性。

Jun, 2024

增强创业公司成功预测的风险投资：一种GraphRAG增强的多变量时间序列方法

本研究针对风险投资领域中，创业公司成功预测面临的数据不足和主观收入预测问题，提出了一种新颖的GraphRAG增强时间序列模型。该模型通过融入企业间的竞争和合作关系，显著提升了成功预测的准确性，实验结果表明其优于以往的方法，首次展示了GraphRAG在此领域的应用潜力。

Aug, 2024

增强创业公司的成功预测：GraphRAG扩展多元时间序列方法

本研究解决了风险投资行业中创业公司成功预测面临的金融数据有限和主观收入预测的问题。我们提出了一种新颖的方法，即GraphRAG增强的时间序列模型，通过将竞争与合作等关键的公司间关系纳入分析框架，显著提高了预测精确度。实验结果证明，该模型在创业公司成功预测方面显著优于以往模型，具有重要的应用潜力。

Aug, 2024

增强风险投资中的初创企业成功预测：一个GraphRAG增强的多元时间序列方法

本研究解决了风险投资中初创企业成功预测面临的数据有限及主观收入预测的挑战。我们提出了一种新颖的GraphRAG增强时间序列模型，通过整合公司间的竞争与合作关系，动态理解初创企业生态系统。实验结果表明，该模型在预测初创企业成功方面显著优于以往模型，标志着GraphRAG在该领域的首次应用。

Aug, 2024