On Multivariate Financial Time Series Classification
Université Paris-Panthéon-Assas(巴黎-Panthéon-Assas大学)
本文研究机器学习与深度学习在多元金融时间序列分类中的应用,对比小数据与大数据方法及SVM与ConvTimeNet等模型,强调深入理解大数据对金融预测的重要性。
2025-05-07 cs.LG
Financial Time Series Forecasting with Deep Learning : A Systematic Literature Review: 2005-2019
TOBB University of Economics and Technology(TOBB经济与技术大学)
金融时间序列预测由于其广泛的应用领域和巨大的影响力,无疑是学术界和金融业金融研究人员的首选计算智能。机器学习(ML)研究人员提出了各种模型,并相应地发表了大量研究。因此,有大量的调查涵盖了ML的金融时间序列预测研究。最近,深度学习(DL)模型开始出现在该领域,其结果显着优于传统的ML同行。尽管人们对开发金融时间序列预测研究模型的兴趣越来越大,但缺乏专门针对金融DL的综述论文。因此,我们在本文中的动机是提供一个全面的文献综述DL研究的金融时间序列预测的实现。我们不仅根据预期的预测实施领域(如指数、外汇、商品预测)对研究进行分类,还根据DL模型选择(如卷积神经网络(CNN)、深度信念网络(DBN)、长短期记忆(LSTM))对研究进行分组。我们还试图通过强调可能的挫折和机遇来展望该领域的未来,以便感兴趣的研究人员能够受益。
2019-11-29 cs.LG q-fin.CP stat.ML
Multi-source Transfer Learning with Ensemble for Financial Time Series Forecasting
University of Macau(澳门大学);Victoria University(维多利亚大学)
虽然迁移学习在计算机视觉和自然语言处理应用中被证明是有效的,但很少有人研究它在预测金融时间序列。由于开放获取的大规模数据集的可用性,大多数关于迁移学习的现有工作都是基于单源迁移学习的。然而,在金融领域,单个时间序列的长度相对较短,单源迁移学习模型的有效性较差。因此,在本文中,我们研究了金融时间序列的多源深度迁移学习。本文提出了两种多源迁移学习方法,即加权平均环境迁移学习(WAETL)和树结构Parzen估计环境选择(TPEES)。我们的方法的有效性进行评估金融时间序列提取股票市场。实验结果表明,TPEES在大多数多源传输任务上优于其他基线方法。
2021-03-26 cs.LG
Deep Learning-Based Financial Time Series Forecasting via Sliding Window and Variational Mode Decomposition
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出滑动窗口结合VMD的深度学习金融预测模型,将非平稳序列分解为平滑子分量后输入LSTM,实验表明其预测性能与稳定性优于原始序列方法。
2025-08-21 cs.LG
Low-Rank Temporal Attention-Augmented Bilinear Network for financial time-series forecasting
Aarhus University(奥胡斯大学)
金融市场分析,特别是股票价格走势的预测,是一个具有挑战性的问题。金融时间序列数据的非平稳性和非线性是这些挑战的主要原因。深度学习模型已经在来自不同领域的许多问题中带来了显着的性能改进,包括金融时间序列数据的预测问题。虽然预测性能是这类模型的主要目标,但处理超高频数据集在模型参数数量和推理速度方面受到限制。时间注意力增强双线性网络是近年来提出的一种高效、高性能的限价订单时间序列预测模型。在本文中,我们提出了一种低秩张量近似模型,以进一步减少可训练参数的数量并提高其速度。
2021-07-05 cs.LG
Large Language Models for Financial Aid in Financial Time-series Forecasting
University of Virginia(弗吉尼亚大学);School of Data Science, University of Virginia(弗吉尼亚大学数据科学学院)
针对金融援助时间序列数据稀缺、维度高的问题,本文基准评估以GPT-2为骨干的预训练LLM、transformer和线性模型,证明其在少样本或零样本设置下可超越传统方法。
2024-10-24 cs.AI cs.LG
FinCast: A Foundation Model for Financial Time-Series Forecasting
School of Computer Science(计算机科学系);The University of Sydney(悉尼大学)
本文提出首个面向金融时间序列预测的基础模型 FinCast,通过大规模金融数据训练,在无需领域特定微调的情况下实现强大零样本预测性能,超越现有最先进方法。
2025-08-27 cs.AI cs.LG q-fin.CP
Financial Series Prediction: Comparison Between Precision of Time Series Models and Machine Learning Methods
由于金融序列的不稳定性和噪声的存在,金融序列的精确预测一直是一个难题。虽然传统的时间序列模型如ARIMA和GARCH等已经被研究并证明是有效的,但它们的性能还远不能令人满意。机器学习作为近年来新兴的研究领域,在回归、分类等方面取得了令人难以置信的进步,在金融时间序列预测方面也有着广阔的应用前景。本文利用历史上真实的股票指数数据,通过实验比较了传统时间序列模型与主流机器学习模型(包括深度学习的一些最新模型)对金融时间序列的预测精度。结果表明,机器学习作为一种现代方法,在精度上远远超过传统模型。
2018-12-08 cs.LG q-fin.ST
Gaussian process imputation of multiple financial series
Center for Mathematical Modeling(数学建模中心)
在金融信号处理中,金融指标、股票价格和汇率等多个时间序列由于对市场潜在状态的依赖性而具有很强的耦合性,因此需要对它们进行联合分析。我们专注于学习金融时间序列之间的关系,通过一个多输出高斯过程(MOGP)与表达协方差函数建模。了解金融序列之间的市场依赖关系对于金融观测的估算和预测至关重要。该模型在两个真实的金融数据集上进行了实验验证,并分析了它们在不同渠道之间的相关性。我们比较我们的模型与其他MOGP和独立的高斯过程的真实金融数据。
2020-02-11 cs.LG eess.SP q-fin.ST
Domain Specific Concept Drift Detectors for Predicting Financial Time Series
University of Naples(那不勒斯大学)
概念漂移检测器允许学习系统在非平稳数据流上保持良好的准确性。金融时间序列是非平稳数据流的一个实例,其概念漂移(市场阶段)对影响全球投资决策非常重要。本文研究了概念漂移检测器在应用于金融时间序列时的表现。一般结果是:a)概念漂移检测器通常比连续学习提高运行时间,b)它们的计算成本通常是甚至基本学习器的学习和预测步骤的一小部分,c)结合它们将操作的学习系统来研究概念漂移检测器是重要的,以及d)概念漂移检测器可以直接应用于原始金融数据的时间序列,而不仅仅应用于模型的精度。此外,该研究介绍了三个简单的概念漂移检测器,适合于金融时间序列,并表明,其中两个可以至少作为最先进的应用时,从最先进的金融时间序列有效。目前已提交模式识别
2021-09-01 cs.LG q-fin.ST
FinTSBridge: A New Evaluation Suite for Real-world Financial Prediction with Advanced Time Series Models
Tsinghua University(清华大学);Peng Cheng Laboratory(鹏城实验室)
针对前沿时间序列预测模型与金融资产定价领域缺乏衔接的问题,研究构建了含三个金融数据集、十余种模型及新指标msIC、msIR的评估套件FinTSBridge,评估模型在金融任务中的性能与潜力,为相关研究提供参考。
2025-06-11 cs.LG q-fin.TR
Financial Time Series Data Processing for Machine Learning
Lusis(卢西斯公司)
本文主要研究面向机器学习的金融时间序列数据处理。它介绍了最常见的缩放方法,然后比较了由此产生的平稳性和趋势预测有用信息的保存。它提出了一个实证测试的基础上学习简单的数据关系与简单的模型的能力。它还谈到了特定于时间序列的数据分割方法,避免了不必要的过拟合,并提出了各种标签的分类和回归。
2019-07-03 cs.LG q-fin.ST stat.ML
DPAL: A Test-Time Adaptation Loss for Financial Time Series Forecasting
University of Michigan(密歇根大学);Stony Brook University(石溪大学)
该研究针对金融时间序列预测的测试时适应问题,提出DPAL损失,结合收益拟合、方向与价格校准项,在现有框架中应用后降低了重构价格的均方误差。
2026-10-14 cs.LG
StockEmotions: Discover Investor Emotions for Financial Sentiment Analysis and Multivariate Time Series
The University of Sydney(悉尼大学);The University of Western Australia(西澳大学);KPMG Australia(毕马威澳大利亚)
本文提出StockEmotions数据集,包含来自StockTwits的1万条评论和12类细粒度投资者情绪,实验表明DistilBERT在情感分类中表现最佳,而融合价格、文本与情绪的时序注意力LSTM在多元时间序列预测中效果最优。
2023-02-06 cs.AI cs.CL cs.LG
Lagged correlation-based deep learning for directional trend change prediction in financial time series
University of Edinburgh(爱丁堡大学)
具有大量噪声时间序列的复杂系统中的趋势变化预测是现实世界现象的许多应用中的问题,股票市场是这种系统的众所周知的难以预测的示例。我们通过它们之间的复杂滞后相关性来预测方向趋势变化,从相应的输入中排除有关目标系列的任何信息,以纯粹基于与其他系列的此类相关性来实现预测。我们建议使用深度神经网络,在这项任务的预备特征工程中采用指数平滑的逐步线性回归,回归斜率作为给定时间间隔的趋势强度指标。我们将这种方法应用于2011年至2016年的历史股票市场数据,作为大量时间序列之间滞后相关性的用例示例,这些时间序列受到外部产生的新信息作为随机因素的严重影响。结果表明,所提出的方法的可行性,与国家的最先进的准确性和会计的统计意义的结果进行额外的验证,以及现代金融经济学的重要影响。
2018-11-29 cs.LG q-fin.CP stat.ML
A Financial Time Series Denoiser Based on Diffusion Model
King’s College London(伦敦国王学院)
本文提出利用条件扩散模型对金融时间序列进行去噪,以提升数据可预测性和交易表现,实验表明去噪数据能改善收益分类、提高交易效率并识别市场加噪状态以获取超额收益。
2024-09-02 cs.AI cs.LG q-fin.CP
Scaling Law for Large-Scale Pre-Training Using Chaotic Time Series and Predictability in Financial Time Series
HAY Co., Ltd.(HAY公司)
本研究提出用人工混沌时间序列重采样模拟金融数据进行大规模预训练的方法,在比特币零样本预测交易中性能优于自相关模型,还发现了混沌时间序列预测的类缩放定律现象。
2025-09-05 cs.LG
EXAONE Finance 1.0: An Attention-free Time Series Foundation Model for Financial Time Series
LG AI Research(LG人工智能研究院)
本研究提出专为金融预测定制的时间序列基础模型EXAONE Finance,采用无注意力线性时间算子架构,在基准FinVerse上取得最优性能。
2026-09-09 cs.AI cs.LG
Dueling Deep Reinforcement Learning for Financial Time Series
本研究将双深度Q网络(DDQN)和对决网络架构应用于金融交易任务,在考虑交易成本等约束下训练智能体,结果表明其可优于随机策略,但仍存在数据源复杂性导致的次优策略等挑战。
2025-04-15 cs.LG
Multi-head Temporal Attention-Augmented Bilinear Network for Financial time series prediction
Aarhus University(奥胡斯大学);Tampere University(坦佩雷大学)
金融时间序列预测是时间序列分析中最具挑战性的领域之一。这主要是由于金融时间序列数据的高度非平稳性和噪声性。随着社会的进步努力,设计专门的神经网络结合先前的领域知识,许多金融分析和预测问题已经成功地解决。时间注意力机制是一种神经层设计,最近由于其专注于重要时间事件的能力而流行起来。在本文中,我们提出了一个神经层的时间注意力和多头注意力的思想的基础上扩展的能力,同时关注多个时间实例的底层神经网络。我们的方法的有效性进行了验证,使用大规模的限价订单簿市场数据来预测中间价的运动方向。我们的实验表明,使用多头时间注意模块导致增强的预测性能相比,基线模型。
2022-01-14 cs.CE cs.LG
Feature Engineering Methods on Multivariate Time-Series Data for Financial Data Science Competitions
Imperial College London(伦敦帝国学院)
本文研究面向金融数据科学竞赛的多元时间序列特征工程方法,在美国市场价格数据上应用多种特征工程技术,并以Numerai-Signals目标检验模型预测能力,同时寻求股票/期货市场数据集以扩展基准研究。
2023-04-18 cs.LG q-fin.ST
Modeling Financial Time Series using LSTM with Trainable Initial Hidden States
Samsung Research Samsung Electronics Co., Ltd.(三星电子有限公司三星研究院)
在时间序列中提取先前未知的模式和信息是许多实际应用的核心。在这项研究中,我们介绍了一种使用深度学习模型建模金融时间序列的新方法。我们使用一个长短期记忆(LSTM)网络,配备了可训练的初始隐藏状态。通过学习重构时间序列,该模型可以用其参数表示高维时间序列数据。对韩国股票市场数据的实验表明,该模型能够捕捉到大量股票价格在其潜空间中的相对相似性。此外,该模型还可以从潜在空间预测未来股票的走势。该方法可以识别多个时间序列之间的关系,并可应用于金融领域,如投资组合优化。
2020-07-14 cs.LG q-fin.PM q-fin.ST
A FEDformer-Based Hybrid Framework for Anomaly Detection and Risk Forecasting in Financial Time Series
Yunnan Agricultural University(云南农业大学);New York University(纽约大学);Carnegie Mellon University(卡内基梅隆大学)
针对传统深度学习模型难以捕捉非平稳金融数据长期依赖与周期模式的问题,提出集成FEDformer、残差异常检测器与风险预测头的混合框架,在多类金融数据集上取得更优的异常检测与风险预测效果。
2025-11-17 cs.LG
Towards Financially Inclusive Credit Products Through Financial Time Series Clustering
University of the Witwatersrand(威特沃特斯兰德大学)
提出一种新颖的时间序列聚类算法,通过分析消费者交易数据理解其金融行为,帮助金融机构在不依赖传统信用评分的情况下提供普惠信贷、储蓄和保险产品。
2024-02-16 cs.CY cs.LG q-fin.ST
Adapting to the Unknown: Robust Meta-Learning for Zero-Shot Financial Time Series Forecasting
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
针对零样本金融时间序列预测现有元学习方法表现不佳的问题,提出基于GMM软聚类的双类型元任务构建方法结合难任务挖掘,在高波动及新兴市场数据上实现更优的零样本泛化性能。
2025-08-01 cs.LG
An Interpretable Generative Framework for Anomaly Detection in High-Dimensional Financial Time Series
Department of Information Systems & Analytics(信息系统与分析系);Farmer School of Business(农民商学院)
ReGEN-TAD通过结合现代机器学习与经济计量诊断,提出了一种可解释的生成框架,用于高维金融时间序列中的异常检测,提升了鲁棒性和经济一致性。
2026-03-09 cs.LG stat.ML
Quant GANs: Deep Generation of Financial Time Series
Fraunhofer ITWM(弗劳恩霍夫工业数学研究所);TU Kaiserslautern(凯泽斯劳滕工业大学)
用随机过程对金融时间序列进行建模是金融数学中一项具有挑战性的任务,也是金融数学研究的一个中心领域。作为替代方案,我们引入了Quant GANs,这是一种数据驱动的模型,其灵感来自于最近成功的生成对抗网络(GANs)。Quant GANs由生成器和递归函数组成,它利用时间卷积网络(TCN),从而实现捕获长期依赖性,例如波动性集群的存在。生成函数被明确地构造,使得诱导的随机过程允许过渡到其风险中性分布。我们的数值结果突出表明,小滞后和大滞后的分布特性具有良好的一致性,并且波动性集群,杠杆效应和序列自相关性等依赖特性可以由Quant GANs的生成函数生成,可以证明具有高保真度。
2019-12-21 cs.LG q-fin.CP q-fin.MF
DELPHYNE: A Pre-Trained Model for General and Financial Time Series
Carnegie Mellon University(卡内基梅隆大学);Bloomberg(彭博)
针对现有时间序列预训练模型因金融数据不足和跨域负迁移而难以超越简单金融基准的问题,本文提出 Delphyne,仅需少量微调即可在公开数据集和多种金融任务上取得竞争优势。
2025-05-12 cs.AI cs.LG q-fin.ST
Evaluating data augmentation for financial time series classification
University of Manchester(曼彻斯特大学);AllianceBernstein(联博集团);Aarhus University(奥胡斯大学)
结合深度神经网络的数据增强方法已广泛用于计算机视觉分类任务,取得了巨大成功;然而,它们在时间序列分类中的应用仍处于早期阶段。在金融预测领域更是如此,因为数据往往很小,有噪声和不稳定。在本文中,我们使用两种最先进的深度学习模型评估了几种应用于股票数据集的增强方法。结果表明,几个增强方法显着提高财务业绩时,结合使用的交易策略。对于一个相对较小的数据集($\approx30K$样本),增强方法实现了$400\%$的风险调整后的回报性能的改善;对于一个较大的股票数据集($\approx300K$样本),结果显示了$40\%$的改善。
2020-10-28 cs.LG q-fin.ST
A Comparison of LSTMs and Attention Mechanisms for Forecasting Financial Time Series
University of Toronto(多伦多大学)
虽然LSTM在预测金融时间序列(FTS)方面显示出越来越有前途的结果,但本文试图评估注意力机制是否可以进一步提高性能。假设注意力可以帮助防止LSTM模型经历的长期依赖性。为了验证这一假设,本文的主要贡献是实现了一个带注意力的LSTM。比较了基准LSTM和带注意力的LSTM,两者都在Kaggle的Two Sigma数据集的五只股票上实现了高达60%的合理表现。这种比较分析表明,具有注意力的LSTM确实可以优于独立的LSTM,但需要进一步的研究,因为这种模型架构确实会出现问题。
2018-12-18 cs.LG stat.ML
Volatility-Clustering Adaptation for Financial Time Series
Applied Artificial Intelligence Initiative, Deakin University(迪肯大学应用人工智能计划)
针对金融时间序列微调中更多数据未必带来更好预测的问题,提出波动率聚集自适应(VCA),通过惩罚平方收益自相关提供多步训练信号,在三个资产集上显著提升自适应效果。
2026-09-30 cs.LG
Contrastive Learning of Asset Embeddings from Financial Time Series
School of Computer Science, University College Dublin(都柏林大学学院计算机科学学院)
本文提出一种基于假设检验统计采样的对比学习框架,利用资产在子窗口的收益相似性生成正负样本,从金融时间序列中学习资产嵌入,在行业分类与投资组合优化任务上显著优于基线。
2024-07-26 cs.LG q-fin.ST
Style Transfer with Time Series: Generating Synthetic Financial Data
OPTrust;University of Toronto(多伦多大学)
在金融市场中,训练能够很好地推广到实时部署的深度学习模型是一个具有挑战性的问题。由于高维数、有限的观测、不断变化的数据分布和低信噪比,挑战出现了。高维度可以使用鲁棒的特征选择或降维来处理,但由于大多数深度神经网络的参数空间很大,有限的观察结果往往会导致模型过拟合。我们提出了一个金融时间序列的生成模型,它允许我们在数百万条模拟路径上训练深度学习模型。我们表明,我们的生成模型能够创建现实的路径,嵌入的方式随机过程不能的市场的基本结构。
2019-12-18 cs.LG q-fin.ST stat.ML
Wasserstein GAN: Deep Generation applied on Bitcoins financial time series
Zurich University of Applied Sciences(苏黎世应用科技大学);University of Twente(特文特大学)
金融时间序列具有很高的波动性和不可预测性,因此对其建模具有挑战性。大多数试图填补历史金融时间序列不足的金融模型和算法都很难表现出来,而且极易受到过拟合的影响。作为替代方案,我们在本文中介绍了一种称为WGAN-GP的深度神经网络,这是一种数据驱动的模型,专注于样本生成。WGAN-GP由一个生成器和一个使用LSTM架构的递归函数组成。WGAN-GP应该学习输入数据的底层结构,在我们的例子中,是比特币。比特币的行为是独一无二的;价格波动使得猜测价格趋势几乎不可能。通过对抗训练,WGAN-GP应该学习比特币的底层结构,并生成非常相似的比特币分布样本。生成的合成时间序列在视觉上与真实数据无法区分。但数值结果表明,生成的数据与真实数据分布接近,但可区分。该模型主要表现出稳定的学习行为。然而,该模型有优化的空间,这可以通过调整超参数来实现。
2021-07-13 cs.LG stat.ML
Financial series prediction using Attention LSTM
Seoul National University(首尔国立大学);Department of Computational Science(计算科学系);Department of Mathematics(数学系)
金融时间序列预测,特别是使用机器学习技术,是一个广泛的研究领域。近年来,深度学习方法(特别是时间序列分析)在各种工业问题上表现突出,预测效果优于机器学习方法。而且,近年来许多研究人员使用深度学习方法,用各种模型预测金融时间序列。在本文中,我们将比较各种深度学习模型,如多层感知器(MLP),一维卷积神经网络(1D CNN),堆栈长短期记忆(堆栈LSTM),注意力网络和加权注意力网络用于金融时间序列预测。特别是,注意力LSTM不仅用于预测,还用于可视化中间输出以分析预测的原因;因此,我们将展示一个使用注意力向量直观理解模型预测的示例。此外,我们还关注时间和因素,这使得人们可以轻松理解为什么在访问给定的时间序列表时会预测某些趋势。我们还修改了损失函数的注意力模型与加权分类交叉熵,我们提出的模型产生了0.76命中率,这是优于其他方法预测的趋势KOSPI 200。
2019-02-28 cs.LG q-fin.ST stat.ML
LENS: Large Pre-trained Transformer for Exploring Financial Time Series Regularities
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));City University of Hong Kong(香港城市大学);Peking University(北京大学)
针对金融时间序列高噪声、低信噪比导致传统预训练失效的问题,提出 LENS 模型,以定制架构和可逆嵌入捕捉随机规律,并经理论分析与千亿观测预训练验证其广泛下游性能。
2025-10-21 cs.AI cs.LG
Bayesian Nonparametric Adaptive Spectral Density Estimation for Financial Time Series
Centre for Translational Data Science(转化数据科学中心);University of Sydney(悉尼大学);University of Sydney Business School(悉尼大学商学院)
在金融时间序列建模中,非平稳性和长期相关性的区分是一个长期存在的难题。本文采用了自适应谱技术,联合模型的非平稳性和依赖性的金融时间序列在非参数的方式假设的时间序列由一个有限的,但数量未知,局部平稳过程,其中的位置也是未知的。该模型允许非参数估计的依赖性结构,通过建模的自协方差函数在谱域中。我们所有的估计都是在贝叶斯框架内进行的,我们使用可逆跳跃马尔可夫链蒙特卡罗算法进行推理。我们通过模拟研究研究了估计的频率论性质,并提出了一种从非参数谱生成时间序列数据的新方法。结果表明,我们的技术在一系列数据生成过程中表现良好。我们将我们的方法应用到一些真实的例子,我们的结果表明,几个金融时间序列表现出长期相关性和非平稳性。
2019-02-09 cs.LG q-fin.ST stat.AP
Time Series Foundation Models for Multivariate Financial Time Series Forecasting
Imperial College London(伦敦帝国学院)
本研究评估了Tiny Time Mixers和Chronos两种时间序列基础模型在三项金融预测任务中的表现,发现预训练模型在数据效率和零样本能力上具有显著优势,但仍需领域特定优化以超越传统专用模型。
2025-07-09 cs.LG q-fin.GN
"It Looks All the Same to Me": Cross-index Training for Long-term Financial Series Prediction
University of Bedfordshire(贝德福德郡大学)
本研究探究多种神经网络架构在跨全球市场指数的长期金融序列预测中的交叉训练效果,发现跨市场指数训练模型预测其他市场指数准确率多为积极结果,为有效市场假说提供了新论据。
2025-11-11 cs.LG q-fin.ST
Financial time series augmentation using transformer based GAN architecture
Faculty of Electronics and Information Technology, Warsaw University of Technology(电子与信息技术学院,华沙技术大学)
本文提出基于变换器的GAN架构,通过生成合成数据增强金融时间序列,提升深度学习预测模型的准确性。
2026-02-19 cs.AI cs.LG
Financial Time-Series Forecasting: Towards Synergizing Performance And Interpretability Within a Hybrid Machine Learning Approach
Independent Researcher(独立研究者);The University of Texas at Austin(德克萨斯大学奥斯汀分校);Southern Methodist University(南卫理公会大学);Shanghai University of Finance and Economics(上海财经大学)
本文提出混合机器学习算法比较研究以预测比特币价格并提升可解释性,引入OLS、LASSO、LSTM和决策树,实验表明线性回归性能最佳,并系统概述时间序列预处理技术以挖掘复杂模式。
2023-12-31 cs.LG q-fin.ST
Multi-Modal Financial Time-Series Retrieval Through Latent Space Projections
J.P. Morgan AI Research(摩根大通人工智能研究院)
提出基于深度编码器的潜在空间投影框架,将多模态金融时间序列数据降维存储,支持自然语言和草图查询,在真实与合成数据上验证了计算效率和准确性优势。
2024-01-02 cs.AI cs.HC cs.LG
Application of time-series quantum generative model to financial data
Graduate School of Information Sciences, Tohoku University(东北大学信息科学研究科);Department of Physics, Tokyo Institute of Technology(东京工业大学物理系);Sigma-i Co., Ltd.(Sigma-i有限公司);Nomura Asset Management Co., Ltd.(野村资产管理有限公司)
本文将时间序列量子生成模型应用于实际金融数据,通过未来数据生成与缺失值补全实验,证明其参数更少且适用于平稳及非平稳序列。
2024-05-20 cond-mat.dis-nn cs.LG quant-ph
FinVerse: Toward More Realistic Evaluation for Financial Time-Series Forecasting
本研究推出金融时间序列预测基准FinVerse,其针对43个公开时间序列基础模型的分析显示,通用预测标准下的优异表现未必对应实用金融预测,凸显了领域感知基准的必要性。
2026-10-26 cs.AI cs.LG
Data-driven Neural Architecture Learning For Financial Time-series Forecasting
Tampere University of Technology(坦佩雷理工大学);Aarhus University(奥胡斯大学)
金融时间序列的预测是一个具有挑战性的任务,因为大多数现实世界的数据表现出非平稳性和非线性相关性。此外,不同的数据模态往往嵌入不同的非线性关系,这是很难捕捉的人类设计的模型。为了解决金融时间序列预测中的监督学习任务,我们提出了一个最近制定的算法,自适应地学习映射函数,实现了一个异构的神经架构组成的广义运算感知器,给定一组标记的数据。通过修改目标函数,该算法可以适应经常观察到的不平衡数据分布问题。在一个大规模的限价订单数据集上的实验表明,该算法优于相关算法,包括基于张量的方法,可以访问更广泛的输入信息。
2019-03-05 cs.CE cs.LG q-fin.ST
Generating Financial Time Series by Matching Random Convolutional Features
Imperial College London(帝国理工学院伦敦分校);JPMorgan Chase & Co.(摩根大通公司);University of St. Gallen(圣加尔登大学)
提出SOCK(软竞争核)可微随机卷积特征图,通过匹配真实与生成时间序列的随机卷积特征来训练生成器,在小样本金融数据集上优于签名和扩散基线方法。
2026-11-03 cs.LG q-fin.ST
DDPG based on multi-scale strokes for financial time series trading strategy
Beijing University Of Technology(北京工业大学)
随着人工智能的发展,越来越多的金融从业者将深度强化学习应用于金融交易策略,但由于单尺度时间序列噪声大、非平稳性强、非线性等特点,难以提取准确的特征,难以获得高收益。根据经典的金融理论--Chan理论,在金融时间序列的多个时间尺度上提取多尺度特征矩阵,提出了一种多尺度笔划深度确定性策略梯度强化学习模型(MSSDPG)方法为了寻找最优的交易策略,我们在美国道琼斯指数、标准普尔500指数和中国沪深300指数、上证综指数据集上进行了实验,并与海龟交易策略、深度Q学习(DQN)强化学习策略、实验结果表明,该方法在沪深300、上证综合指数上取得了较好的效果,在美国道琼斯、标普500指数上取得了较好的效果。
2022-06-05 cs.AI cs.LG q-fin.TR
Entropic Dynamic Time Warping Kernels for Co-evolving Financial Time Series Analysis
Central University of Finance and Economics(中央财经大学);Hefei University(合肥大学);Xiamen University(厦门大学);University of York(约克大学)
在这项工作中,我们开发了一个新的框架来衡量动态金融网络之间的相似性,即,时变金融网络特别是,我们探讨是否建议的相似性度量可以用来了解金融网络随时间的结构演化。对于一组时变金融网络,其中每个顶点表示不同股票的单个时间序列,并且一对时间序列之间的每个边表示其Pearson相关性的绝对值,我们的出发点是计算与网络结构的加权邻接矩阵相关联的通勤时间矩阵,其中矩阵的每个元素可以被视为成对股票之间的增强的相关值。对于每个网络,我们展示了通勤时间矩阵如何使我们能够识别一组可靠的显性相关时间序列以及属于该组的股票的相关显性概率分布。此外,我们将每个原始网络表示为从主导概率分布计算的离散主导香农熵时间序列。在经典动态时间规整框架的基础上,利用每对金融网络的主导熵时间序列,提出了一种用于分析金融时变网络的相似性度量方法。我们表明,建议的相似性度量是正定的,从而对应于图上的核测度。提出的内核之间的桥梁图内核和经典的动态时间弯曲框架多金融时间序列分析的差距。在纽约证券交易所(NYSE)数据库中提取的时变网络上的实验证明了该方法的有效性。
2019-10-21 cs.AI cs.CE cs.LG
Forecast collapse of transformer-based models under squared loss in financial time series
Institut Denis Poisson, UMR C.N.R.S. 7013, France(法国国家科学研究中心7013联合研究单位丹尼斯·泊松研究所)
研究了弱条件结构时间序列下基于平方损失的轨迹预测,指出高表达模型在条件期望退化时导致预测波动,验证了变换器模型在金融时间序列中的预测性能下降。
2026-03-31 cs.LG math.PR math.ST
How to Identify Investor's types in real financial markets by means of agent based simulation
University of Naples(那不勒斯大学);ProMarket 11 srl(ProMarket 11 有限责任公司)
本文提出了一种计算适应的基本原则,主成分分析与基于代理的模拟,以产生一种新的建模方法,金融时间序列和金融市场。所提出的方法的目标是找到一个减少的投资者的模型(代理人),这是能够近似或解释一个目标金融时间序列。作为计算实验平台的研究,我们选择了学习系统LFABS,它结合了模拟退火和基于代理的模拟近似金融时间序列。我们还将评论如何L FABS的架构可以利用并行计算规模时,处理大量的代理模拟。两个实验的案例研究显示所提出的方法的有效性报告。
2020-12-31 cs.CE cs.LG q-fin.TR
Text2TimeSeries: Enhancing Financial Forecasting through Time Series Prediction Updates with Event-Driven Insights from Large Language Models
Institute for Infocomm Research, A*STAR(新加坡科技研究局信息通信研究院);IIIT Hyderabad(印度信息技术研究所海得拉巴分校);Westlake University(西湖大学)
本文提出Text2TimeSeries框架,利用大语言模型从事件文本中提取未来变化洞察,以更新数值时间序列预测,并在金融市场数据上验证了其有效性。
2024-07-04 cs.AI cs.CL cs.LG
High-Quality Synthetic Financial Time-Series using a GAN-Diffusion Framework
Sapienza University of Rome(罗马大学)
提出一种结合GAN和扩散模型的质量感知生成框架,通过GAN的Critic引导扩散过程,生成更真实且保留金融时间序列典型事实和资产间相关结构的合成数据。
2026-05-26 cs.AI cs.LG
Bilinear Input Normalization for Neural Networks in Financial Forecasting
Tampere University(坦佩雷大学);Aarhus University(奥胡斯大学)
数据规范化是构建机器学习模型时最重要的预处理步骤之一,特别是当感兴趣的模型是深度神经网络时。这是因为使用随机梯度下降优化的深度神经网络对输入变量范围敏感,并且容易出现数值问题。不同于其他类型的信号,金融时间序列往往表现出独特的特征,如高波动性,非平稳性和多模态,使他们具有挑战性的工作,往往需要专业领域的知识来设计一个合适的处理管道。在本文中,我们提出了一种新的数据驱动的规范化方法,用于处理高频金融时间序列的深度神经网络。所提出的归一化方案,它考虑到金融多元时间序列的双峰特性,不需要专业知识来预处理金融时间序列,因为这一步骤被制定为端到端的优化过程的一部分。我们的实验,进行了国家的最先进的神经网络和高频数据,从两个大规模的限价订单簿来自北欧和美国市场,在预测未来的股票价格动态显着改善其他规范化技术。
2021-09-01 cs.LG q-fin.ST
Few-Shot Learning Patterns in Financial Time-Series for Trend-Following Strategies
Oxford-Man Institute(牛津-曼研究所);University of Oxford(牛津大学)
本文提出少样本趋势跟踪模型X-Trend,通过交叉注意力从历史市场状态中迁移趋势模式,实现快速适应新市场状态,在2018-2023年动荡期显著提升夏普比率并加速从回撤中恢复。
2024-03-28 cs.LG q-fin.PM q-fin.TR