Mar, 2024

DiffSTOCK：基于扩散模型的概率关系型股市预测

PDF
TL;DR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。
发现论文，激发创造
  • 六个简单步骤的去噪扩散概率模型

    通过六个简单步骤清晰陈述，简化并阐明噪声扩散概率模型（DDPM）的构建及其工作原理。

    Feb, 2024

  • 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

  • 离散状态空间中的结构去噪扩散模型

    本文提出了离散去噪扩散概率模型（D3PM），用于离散数据的扩散式生成模型，包括了仿真高斯核、嵌入空间中基于最邻近、引入吸收状态等过渡矩阵。研究表明过渡矩阵的选择对图像和文本领域下的生成模型结果至关重要，且提出的新损失函数在字符级别文本生成上取得了很好的效果。

    Jul, 2021

  • 视频生成的扩散概率建模

    本文提出了一种自回归、端到端优化的视频扩散模型，受到神经视频压缩技术的启发，可用于生成高质量的视频，并提出了可扩展的连续排名概率得分（CRPS）方法，以评估视频的概率预测能力，该方法在自然和仿真视频的多个数据集上比先前方法的感知质量和概率预测有着显著的提高。

    Mar, 2022

  • 关于扩散建模用于异常检测

    该研究探讨了扩散模型在无监督和半监督异常检测中的应用，并在相应的基准测试中表现出了出色的性能，特别是在 DTPM 中，使用深度神经网络提高推断效率，获得了比 DDPM 更快的推理时间和更好的性能。

    May, 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

    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。

    Aug, 2023

  • 改进降噪扩散概率模型

    通过对 DDPM 模型进行简单修改，可以在保持高质量样本的同时达到具有竞争力的对数似然值，并学习反向扩散过程的方差，从而使用数量级更少的正向传递采样。使用精度和召回率比较 DDPM 和 GAN 模型的性能，并证明这些模型的样本质量和似然值可以与模型容量和训练计算平稳地提高。

    Feb, 2021

  • 时序集成扩散模型的稳健半监督分割

    本研究侧重于使用扩散模型进行半监督图像分割，特别是针对领域泛化问题，结论表明较小的扩散步骤生成的潜在表示比较大的步骤更具鲁棒性，通过利用信息密集的小步骤和较大步骤的正则化效果生成预测，该模型在领域变化设置中表现出明显较好的性能且在领域内保持有竞争力的性能，突显了 DDPM 在半监督医学图像分割中的潜力并提供了优化其在领域变化下性能的见解。

    Nov, 2023

  • 针对风格化行走合成的去噪扩散概率模型

    本文提出了一种使用去噪扩散概率模型（DDPM）生成风格化人体运动的框架，将两个任务集成到一个管道中，与传统运动合成方法相比，具有更高的风格多样性，实验结果表明，该系统可以生成高质量且多样化的行走动作。

    Sep, 2022

  • 考虑不确定性的代理模型用于具有去噪扩散概率模型的翼型流动模拟

    利用去噪扩散概率模型 (DDPMs) 训练一种具有不确定性意识的代理模型用于湍流仿真，结果表明 DDPMs 能够成功捕捉解的完整分布并准确估计仿真的不确定性。与贝叶斯神经网络和异方差模型相比，DDPMs 在各种准确性指标上表现更好，并提供完整的不确定性分布，从而能够生成真实和详细的解分布样本。

    Dec, 2023