Label Unbalance in High-frequency Trading
Likelihood Lab（似然实验室）；Sun Yat-sen University（中山大学）；Peking University（北京大学）；The London School of Economics and Political Science（伦敦政治经济学院）；Tsinghua University（清华大学）
针对高频交易中收益预测的标签不平衡问题，本文采用结合全面标签不平衡调整方法的端到端深度学习框架，成功实现中国期货市场的高频收益预测，并公开了代码。
2025-03-21 cs.AI cs.LG q-fin.CP
MadEvolve: Evolutionary Optimization of Trading Systems with Large Language Models
Department of Physics, University of Wisconsin–Madison（威斯康星大学麦迪逊分校物理系）；Event Horizon Labs（事件地平线实验室）
提出 MadEvolve 框架，利用大型语言模型驱动的进化算法优化量化金融中的交易策略与 alpha 生成，以比特币交易为例，在特征集演化、策略组件优化及联合演化上取得显著改进，并对比了其他智能搜索方法。
2026-05-21 cs.AI cs.LG q-fin.PM
Application of a Shallow Neural Network to Short-Term Stock Trading
Rutgers University（罗格斯大学）；Rensselaer Polytechnic Institute（伦斯勒理工学院）；Cherokee High School（切诺基高中）
机器学习在股票市场交易中越来越普遍。虽然神经网络在计算机视觉和自然语言处理方面取得了成功，但它们在股票市场交易中并没有那么有用。为了证明神经网络在股票交易中的适用性，我们制作了一个单层神经网络，该网络通过比较连续10天的最高点与接下来10天的最高点来推荐买入或卖出股票，该过程重复了股票长达一年的历史数据。卡方分析发现，神经网络可以准确而适当地决定是否购买或出售给定股票的股票，这表明神经网络可以对股票市场做出简单的决定。
2017-03-30 cs.LG cs.NE
QTMRL: An Agent for Quantitative Trading Decision-Making Based on Multi-Indicator Guided Reinforcement Learning
Guangdong University of Finance（广东金融学院）；Jinan University（吉林大学）
本文提出QTMRL代理，结合多维技术指标与强化学习，实现动态稳定的投资组合管理，通过实验验证其在盈利性、风险调整和下行风险控制上的优越性。
2026-04-21 cs.LG q-fin.CP q-fin.PM
Deep Learning Models Meet Financial Data Modalities
Sirius University of Science and Technology（西里乌斯科学技术大学）
本研究将深度学习模型与多种金融数据模态整合，提出基于嵌入和图像化限价订单簿快照的新方法，在高频交易中达到最先进性能，提升交易策略预测能力。
2025-04-21 cs.AI cs.CE cs.LG
SuperDeConFuse: A Supervised Deep Convolutional Transform based Fusion Framework for Financial Trading Systems
Indraprastha Institute of Information Technology, Delhi（德里英德拉普拉斯塔信息技术学院）；Inria Saclay（法国国家信息与自动化研究所萨克雷中心）；CentraleSupélec（巴黎中央理工-高等电力学院）；Université Gustave Eiffel（古斯塔夫·埃菲尔大学）；ESIEE Paris（巴黎高等电子工程师学院）
本文提出了一种用于金融股票交易的监督多通道时间序列学习框架。虽然最近在这一领域提出了许多深度学习模型，但大多数都将股票交易时间序列数据视为二维图像数据，而其真正的本质是一维时间序列数据。由于股票交易系统是多通道数据，许多现有技术将其视为1-D时间序列数据，并没有提出任何技术来有效地融合由多个通道承载的信息。为了解决这两个缺点，我们提出了一个端到端的监督学习框架，该框架受到先前建立的（无监督）卷积变换学习框架的启发。我们的方法包括通过单独的一维卷积层处理数据通道，然后将输出与一系列完全连接的层融合，最后应用softmax分类层。我们的框架-SuperDeConclusion（SDCF）的特点是，我们删除了位于多通道卷积层和全连接层之间的非线性激活，以及位于后者和输出层之间的非线性激活。我们通过在训练阶段对上述层输出和过滤器引入合适的正则化来补偿这种去除。具体来说，我们在层滤波器上应用对数行列式正则化来打破学习变换中的对称性和强制多样性，而我们在层输出上强制非负约束以减轻死亡神经元的问题。这导致相对于标准卷积神经网络，更丰富的特征和滤波器集的有效学习。数值实验证实，所提出的模型产生了比最先进的深度学习技术更好的结果，为现实世界的股票交易问题。
2020-11-09 cs.LG q-fin.CP
Novel Modelling Strategies for High-frequency Stock Trading Data
University of Victoria（维多利亚大学）；University of Waterloo（滑铁卢大学）；University of Saskatchewan（萨斯喀彻温大学）
证券交易所的全电子自动化最近变得流行起来，产生了高频率的日内数据，并推动了近实时价格预测方法的发展。机器学习算法被广泛应用于中间价股票预测。处理原始数据作为预测模型的输入（例如，数据细化和特征工程）可以主要影响预测方法的性能。然而，研究人员很少讨论这个话题。这促使我们提出了三种新的建模策略来处理原始数据。我们说明了我们的新的建模策略如何通过分析道琼斯30个成分股的高频数据来提高预测性能。在这些实验中，我们的策略通常会导致预测的统计学显着改善。这三种策略分别将SVM模型的F1得分提高了0.056、0.087和0.016。
2022-11-30 cs.LG stat.AP
Mining Illegal Insider Trading of Stocks: A Proactive Approach
Tennessee Technological University（田纳西理工大学）
非法内幕交易的股票是基于释放非公开信息（例如，新产品发布、季度财务报告、收购或合并计划）。由于股票市场的复杂性、非线性和非平稳性，使得非法内幕交易的检测非常困难。在这项工作中，我们提出了一种方法，检测和预测非法内幕交易的结构化和非结构化数据的大型异构源主动使用基于深度学习的方法结合离散信号处理的时间序列数据。此外，我们使用基于树的方法来可视化事件和操作，以帮助分析师理解大量非结构化数据。使用现有的数据，我们发现，我们的方法在检测非法内幕交易模式有很好的成功率。
2018-11-07 cs.LG q-fin.ST stat.ML
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
Reinforcement Learning for Systematic FX Trading
University College London（伦敦大学学院）
我们探索在线归纳迁移学习，将特征表示从高斯混合模型隐藏处理单元形成的径向基函数网络转移到直接的，经常性的强化学习代理。这个代理人在实验中工作，交易主要的现货市场货币对，在那里我们准确地计算交易和融资成本。这些利润和损失的来源，包括货币市场上发生的价格趋势，都是通过二次效用提供给代理人的，代理人学会了直接瞄准一个位置。我们通过在线迁移学习环境中的风险头寸来改进早期的工作。在7年的测试集上，我们的代理实现了0.52的年化投资组合信息比率，复合回报率为9.3\%，扣除执行和融资成本;尽管迫使模型在交易日结束时在美国东部时间下午5点进行交易，但交易成本在统计上是最昂贵的。
2022-05-21 cs.LG q-fin.TR
Stock Market Sentiment Classification and Backtesting via Fine-tuned BERT
本文以东方财富股吧评论为数据，微调BERT进行情绪分类，并将情绪标签与Alpha191模型结合用于预测价格变化和指导自动交易，实验显示收益率较基线提升73.8%，验证了情绪因素在量化交易中的价值。
2023-09-21 cs.CL cs.LG q-fin.CP
JAX-LOB: A GPU-Accelerated limit order book simulator to unlock large scale reinforcement learning for trading
University of Oxford（牛津大学）
本研究推出首款支持GPU的限价订单簿模拟器JAX-LOB，可并行处理数千个订单簿并降低单消息处理耗时，集成JAX生态后可用于交易领域的大规模强化学习训练及最优执行问题研究。
2023-08-25 cs.AI cs.CE cs.LG
News-based trading strategies
University of Freiburg（弗莱堡大学）；National Institute of Informatics (NII)（国立信息学研究所）
市场的神奇之处在于，分散的信息可以即时处理，并用于调整商品、服务和资产的价格。金融市场在处理信息方面特别有效;这些信息通常嵌入文本新闻中，然后由投资者进行解释。最近，研究人员开始自动确定新闻情绪，以解释股价走势。有趣的是，这种所谓的新闻情绪在解释股票回报方面相当有效。在本文中，我们设计了交易策略，利用文本新闻，以获得利润的基础上，新的信息进入市场。因此，我们提出了基于监督和强化学习的自动决策方法。总之，我们展示了如何将基于新闻的数据纳入投资系统。
2018-07-18 cs.LG q-fin.TR stat.ML
A Comparative Study of Machine Learning Algorithms for Stock Price Prediction Using Insider Trading Data
School of Information Technology University of Cincinnati（信息科技学院 哥伦比亚大学）
本研究利用特斯拉2020年4月至2023年3月的内幕交易数据，比较决策树、随机森林、不同核函数的SVM及K均值聚类等算法的股票价格预测效果，通过RFE优化特征，发现RBF核SVM准确性最佳但耗时更长，为金融从业者优化投资策略提供算法选择参考。
2025-07-07 cs.LG
Quantum Reinforcement Learning Trading Agent for Sector Rotation in the Taiwan Stock Market
Neuro Industry Research（神经产业研究）；Neuro Industry, Inc.（神经产业公司）；Department of Computer Science（计算机科学系）；The University of Alabama（阿拉巴马大学）；Industrial Technology Research Institute（工业技术研究 institutes）
本文构建量子-经典混合PPO板块轮动交易框架，对比经典与量子增强模型，发现量子模型训练奖励更高但真实收益与夏普比率更差，并指出奖励错配、过拟合及NISQ优化不稳定等问题。
2025-10-20 cs.LG q-fin.CP quant-ph
Trading with the Momentum Transformer: An Intelligent and Interpretable Architecture
Oxford-Man Institute of Quantitative Finance, University of Oxford（牛津大学牛津-曼定量金融研究所）；Oxford Internet Institute, University of Oxford（牛津大学牛津互联网研究所）
我们介绍了动量Transformer，这是一种基于注意力的深度学习架构，其表现优于基准时间序列动量和均值回归交易策略。与最先进的长短期记忆（LSTM）架构不同，LSTM架构本质上是顺序的，并为本地处理量身定制，注意力机制为我们的架构提供了与所有先前时间步的直接连接。我们的架构是注意力-LSTM的混合体，使我们能够学习长期依赖关系，在考虑交易成本的净回报时提高性能，并自然适应新的市场机制，例如在SARS-CoV-2危机期间。通过引入多个注意头，我们可以捕捉并发政权，或时间动态，这是发生在不同的时间尺度。动量Transformer具有内在的可解释性，为我们提供了对深度学习动量交易策略的更深入见解，包括不同因素随时间的重要性以及对模型最重要的过去时间步长。
2022-11-22 cs.LG q-fin.TR stat.ML
Recurrent Neural Networks for Dynamic VWAP Execution: Adaptive Trading Strategies with Temporal Kolmogorov-Arnold Networks
DRM, Université Paris Dauphine - PSL（巴黎多芬大学 - 巴黎文理研究大学 DRM 机构）
本文提出基于循环神经网络和时间Kolmogorov-Arnold网络的动态VWAP执行框架，实时适应市场变化，在五个加密货币市场实现10-15%的执行性能提升。
2025-02-25 cs.LG q-fin.ST
Optimizing a Transformer-based network for a deep learning seismic processing workflow
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
本文通过用相对位置编码和低秩注意力矩阵改进StorSeismic模型，在保持地震处理任务竞争力的同时提升了预训练效率并减少了训练参数。
2023-08-09 cs.LG physics.geo-ph
A Deep Learning Approach to Anomaly Detection in High-Frequency Trading Data
Cornell University（康奈尔大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；University of Chicago（芝加哥大学）
本文提出一种基于分阶段滑动窗口Transformer架构的算法，通过结合自注意力与加权注意力机制提取多尺度特征，用于高频外汇交易数据异常检测，在准确率与F1等指标上显著优于传统方法。
2025-03-31 cs.LG
RegimeNAS: Regime-Aware Differentiable Architecture Search With Theoretical Guarantees for Financial Trading
Department of Computer Science Engineering PES University Bangalore, India（计算机科学工程系 印度班加罗尔 PES大学）
提出 RegimeNAS 框架，通过整合市场机制感知、贝叶斯搜索空间、动态神经模块和多目标损失函数，显著提升加密货币交易表现并加速收敛。
2025-08-15 cs.AI cs.LG
Optimizing Sparse Convolution on GPUs with CUDA for 3D Point Cloud Processing in Embedded Systems
Brion Technologies, an ASML Company（Brion Technologies（ASML旗下公司））；School of Mechanical Engineering and Automation, Northeastern University（东北大学机械工程与自动化学院）
该研究针对嵌入式系统中的 3D 点云处理，指出点云稀疏且无规则网格所带来的计算挑战，并聚焦于利用 CUDA 优化 GPU 上的稀疏卷积。
2024-04-06 cs.CV cs.LG
Data Processing for Optimizing Naturalness of Vietnamese Text-to-speech System
Zalo Group, VNG Corporation（VNG公司Zalo集团）
摘要端到端的文本转语音（TTS）系统在具有高质量麦克风的消声室中记录大量高质量训练数据的情况下取得了巨大的成功。另一种方法是使用可用的数据源，如无线电广播新闻。我们的目标是使用一种新的数据处理方法优化TTS系统的自然度。该数据处理方法包括：1）话语选择和2）韵律标点插入，以准备训练数据，该训练数据可以优化TTS系统的自然度。我们发现，使用处理数据的方法，端到端TTS实现了4.1的平均意见得分（MOS），而自然语音为4.3。我们发现，标点符号的插入贡献最大的结果。为了促进TTS系统的研究和开发，我们在https://forms.gle/6Hk5YkqgDxAaC2BU6上发布了一个扬声器的处理数据。
2020-04-20 cs.LG cs.SD eess.AS
Optimum Output Long Short-Term Memory Cell for High-Frequency Trading Forecasting
University of Edinburgh（爱丁堡大学）；Tampere University（坦佩雷大学）
本文提出一种实时调整的最优输出长短期记忆细胞，通过选择最佳门或状态作为输出，在浅层拓扑下在线训练，用于高频交易预测，并在美国及北欧股票上验证了更低的预测误差。
2023-05-15 cs.CE cs.LG q-fin.TR
AI Trading: Evaluating Large Language Models for Technical Market Analysis
本文系统比较评估五个大语言模型用于技术市场分析的能力，涵盖四项任务，采用多种定量指标。实验发现GPT-4 Turbo在通用模型中年化回报和夏普比率最高，FinGPT经领域微调表现出色，二者均超标准普尔500指数基准，还识别出模型存在的问题及得出相关结论。
2026-07-20 cs.AI cs.LG q-fin.CP
Hierarchical Reinforced Trader (HRT): A Bi-Level Approach for Optimizing Stock Selection and Execution
Massachusetts Institute of Technology（麻省理工学院）
本文提出HRT，一种双层强化学习框架，用于多资产股票市场中的文本感知投资组合管理。HRT将交易分为两个协调决策：高层控制器选择资产层面的增仓、减仓或持有方向，低层控制器则在考虑风险和交易成本的情况下调整投资组合权重。
2026-05-11 cs.CE cs.LG q-fin.TR
Long Short-Term Memory Pattern Recognition in Currency Trading
本研究利用 LSTM 和 CNN 深度学习模型检测金融市场中的怀科夫吸筹形态，通过摆动点与填充点构建训练数据，验证了 AI 方法在提升交易模式识别能力方面的显著效果。
2024-02-23 cs.LG q-fin.TR
Astock: A New Dataset and Automated Stock Trading based on Stock-specific News Analyzing Model
Australian Institute for Machine Learning（澳大利亚机器学习研究所）；University of Adelaide（阿德莱德大学）
自然语言处理（NLP）通过分析来自社交媒体或新闻媒体的文本，展示了支持金融决策的巨大潜力。本文搭建了一个平台，对NLP辅助的股票自动交易算法进行了系统的研究。与以前的工作相比，我们的平台有三个特点：（1）我们为每一个特定的股票提供财经新闻。(2)我们为每种股票提供各种股票因子。(3)我们从更多与财务相关的指标来评估绩效。这样的设计使我们能够在更现实的环境中开发和评估NLP辅助的股票自动交易算法。除了设计一个评估平台和数据集，我们还提出了一个系统，可以从各种输入信息中自动学习一个良好的特征表示，从而做出了技术贡献。我们的算法的关键是一种称为语义角色标注池（SRLP）的方法，它利用语义角色标注（SRL）来创建每个新闻段落的紧凑表示。在SRLP的基础上，我们进一步结合其他股票因素进行最终预测。此外，我们提出了一种基于SRLP的自监督学习策略，以提高系统的分布外泛化性能。实验结果表明，该方法具有较好的性能，优于所有基准的年化收益率以及沪深300指数和XIN9指数的最大跌幅。我们的Astock数据集和代码可以在https://github.com/JinanZou/Astock上找到。
2022-06-14 cs.CL cs.LG
Learning low-frequency temporal patterns for quantitative trading
University of Cape Town（开普敦大学）
我们考虑了一个模块化的机械在线机器学习框架的可行性，以学习低频金融时间序列数据中的信号。该框架证明了每日采样收盘时间序列数据从JSE股票市场。输入模式是每日、每周和每月或每季度采样特征变化的预处理序列的向量。数据处理分为一个批处理步骤，其中通过无监督学习使用堆栈自动编码器学习特征，然后使用这些学习的特征进行批量和在线监督学习，输出是测量的时间序列特征波动的点预测。权重初始化是用受限玻尔兹曼机预训练和基于方差的初始化来实现的。然后使用在线前馈神经网络运行历史模拟，该网络使用来自批训练和验证步骤的权重进行初始化。结果的有效性被认为是在一个严格的评估回测过拟合使用组合对称交叉验证和概率和放气夏普比率。结果被用来发展的现象学的金融市场和价值的复杂的历史数据分析交易下的不稳定的自适应动态，使金融市场。
2020-08-12 cs.LG q-fin.ST
AI-Powered Energy Algorithmic Trading: Integrating Hidden Markov Models with Neural Networks
Northeastern University（东北大学）
本研究提出融合HMM、神经网络与Black-Litterman优化的能源股算法交易方法，经疫情期回测取得83%收益率、0.77夏普比率，配套代码与回测数据已开源。
2025-11-17 cs.LG q-fin.GN q-fin.PM
Intelligent Trading Systems: A Sentiment-Aware Reinforcement Learning Approach
Universidade de São Paulo（圣保罗大学）；Centro Universitário FEI（FEI大学中心）
长期以来，基于模式识别在证券交易所进行单一资产盈利交易的可行性一直吸引着研究者。强化学习（RL）和自然语言处理在这些单一资产交易任务中声名狼借，但只有少数作品探索了它们的组合。此外，一些问题仍未得到解决，例如通过明确捕捉反映市场状况的情绪特征来提取市场情绪动量，以及评估RL结果在不同情况下的一致性和稳定性。为了填补这一空白，我们提出了情绪感知RL（SentARL）智能交易系统，该系统通过从文本新闻中提取的自适应量的过去情绪特征来利用市场情绪，从而提高利润稳定性。我们在20个资产、2个交易成本和5个不同的时期和初始化中评估了SentARL，以显示其相对于基线的一致有效性。随后，这种彻底的评估使我们能够确定新闻报道和市场情绪之间的边界，关于价格的相关性-时间序列，SentARL的有效性是突出的。
2021-11-14 cs.AI cs.CL cs.LG
Generalizing, Decoding, and Optimizing Support Vector Machine Classification
复杂数据的分类通常需要处理步骤的组合。在这里，一个主要的挑战是选择最佳的算法进行预处理和分类（包括参数化）。如今，优化过程的一部分是自动化的，但仍然需要专家知识和手工工作。我们提出了三个步骤来面对这个过程，并简化优化。也就是说，我们对经典分类器的理论观点，提供了一种方法来解释分类器与预处理，并将两者集成到一个框架，使半自动优化的处理链和接口众多的算法。
2018-01-15 cs.CV cs.LG stat.ML
Optimizing Memory Efficiency for Convolution Kernels on Kepler GPUs
University of Notre Dame（圣母大学）
卷积是计算机视觉、自然语言处理、图像处理等许多应用中的基本操作。最近卷积神经网络在各种深度学习应用中的成功对快速卷积提出了更高的要求。图形处理单元（GPU）的高计算吞吐量和内存带宽使GPU成为加速卷积运算的自然选择。然而，最大限度地利用GPU的可用内存带宽进行卷积是一项具有挑战性的任务。针对GPU的存储体宽度与线程的计算数据宽度不匹配的问题，提出了一种通用的模型。基于这个模型，我们开发了两个卷积核，一个用于一般情况，另一个用于具有一个输入通道的特殊情况。通过仔细优化内存访问模式和计算模式，我们设计了一个通信优化的内核的特殊情况下和通信减少的内核的一般情况下。基于Kepler GPU实现的实验数据显示，我们的内核在特殊情况和一般情况下分别比最新的cuDNN库实现了5.16倍和35.5%的平均性能提升。
2017-05-29 cs.DC cs.LG
Enhancing literature review with LLM and NLP methods. Algorithmic trading case
University of Warsaw（华沙大学）
本研究利用NLP和LLM方法，通过筛选1.36亿篇论文中的14,342篇相关文献，比较传统与先进主题建模技术，揭示算法交易研究趋势，并证明LLMs在文献综述中处理复杂问题的有效性。
2024-10-23 cs.AI cs.LG q-fin.ST
The DEBS 2022 Grand Challenge: Detecting Trading Trends in Financial Tick Data
Infront Financial Technology GmbH（英富朗金融科技有限公司）；Technical University of Munich（慕尼黑工业大学）；Infront Quant AG（英富朗量化股份公司）；University of Toronto（多伦多大学）
DEBS Grand Challenge（GC）是一项面向学术界和工业界从业者的年度编程竞赛。GC 2022版专注于由盈方金融科技有限公司提供的大容量报价数据的实时复杂事件处理。挑战的目标是有效地计算特定的趋势指标，并检测这些指标中的模式，就像现实生活中的交易者在金融市场中决定买入或卖出时所使用的模式一样。用于基准测试的数据集Trading Data包含2.89亿个tick事件，这些事件来自2021年整整一周内在阿姆斯特丹（NL），巴黎（FR）和法兰克福（GER）三大交易所交易的约5500多种金融工具。这套数据是公开提供的。除了正确性和性能，提交必须明确关注可重用性和实用性。因此，参与者必须解决特定的非功能性需求，并要求在开源平台上构建。本文描述了所需的场景和数据集Trading Data，定义了问题陈述的查询，并解释了对评估平台Challenger的增强，该平台处理数据分发，动态订阅和提交的远程评估。
2022-06-23 cs.DC cs.LG q-fin.ST
Optimizing Context-Enhanced Relational Joins
EPFL（洛桑联邦理工学院）
针对传统关系型DBMS难以处理关系型与多模态上下文数据的问题，提出上下文增强关系连接及可组合的嵌入运算符，实现混合数据处理与优化，通过实例验证整体优化可提升执行时间一个数量级。
2025-02-13 cs.AI cs.DB cs.LG
Optimizing Text Search: A Novel Pattern Matching Algorithm Based on Ukkonen's Approach
BAIDU（百度）；The university of Glasgow（格拉斯哥大学）
本文提出基于Ukkonen方法的新型文本搜索算法，通过优化后缀树实现线性时间效率，显著提升基因序列模式识别的准确率。
2025-11-29 cs.AI cs.DS cs.LG
Deep Reinforcement Learning-Based Bidding Strategies for Prosumers Trading in Double Auction-Based Transactive Energy Market
Santa Clara University（圣克拉拉大学）；Concordia University（康考迪亚大学）；Beijing University of Posts and Telecommunications（北京邮电大学）；Shenzhen University（深圳大学）
针对可交易能源市场建模难、强化学习应用受限等问题，设计含多产消者的双拍卖TEM，提出分布式DRL竞价模型，通过价格与电量双动作优化策略，平衡支出与舒适度，性能优于现有方法。
2025-02-16 cs.GT cs.LG cs.SY
IMM: An Imitative Reinforcement Learning Approach with Predictive Representation Learning for Automatic Market Making
Tsinghua University（清华大学）；International Digital Economy Academy（国际数字经济研究院）；Harbin Institute of Technology（哈尔滨工业大学）；Nanyang Technological University（南洋理工大学）
针对多价格档位做市策略动作空间复杂、现有RL方法训练低效的问题，提出IMM框架，融合专家模仿、强化学习与预测表征学习，在四个真实数据集上表现更优。
2023-08-17 cs.AI cs.LG q-fin.TR
Transformers versus LSTMs for electronic trading
Imperial College London（帝国理工学院）
本文基于高频限价订单簿数据，系统对比了LSTM与Transformer在金融时间序列预测中的表现，提出DLSTM新模型，发现LSTM在差分序列预测上更稳健，而Transformer仅在绝对价格预测上有有限优势。
2023-09-20 cs.LG econ.EM q-fin.ST
KeystoneML: Optimizing Pipelines for Large-Scale Advanced Analytics
University of California, Berkeley（加州大学伯克利分校）
现代高级分析应用程序利用机器学习技术，并包含多个特定于域和通用处理的步骤，这些步骤具有很高的资源要求。我们提出了KeystoneML，一个系统，捕获和优化的端到端的大规模机器学习应用程序的高吞吐量训练在分布式环境中的高级别API。这种方法提供了比现有系统更高的易用性和更高的性能，用于大规模学习。我们证明了KeystoneML在几个领域使用真实世界数据集实现高质量统计准确性和可扩展训练方面的有效性。通过优化执行，KeystoneML在实际图像分类应用程序上的训练吞吐量是未优化执行的15倍。
2016-10-29 cs.DC cs.LG
Optimizing Data Processing in Space for Object Detection in Satellite Imagery
School of Computing Science, University of Glasgow（格拉斯哥大学计算科学学院）
每年发射的卫星数量激增，导致每天下行传输数TB的数据。地面站收到的数据往往未经处理，考虑到数据量大，而且并非所有数据都有用，因此这是一个昂贵的过程。这一点，加上对实时数据处理的需求不断增加，导致对在轨处理解决方案的需求不断增长。在这项工作中，我们研究了基于CNN的对象检测器的性能受限的设备，通过应用不同的图像压缩技术的卫星数据。我们研究了NVIDIA Jetson Nano和NVIDIA Jetson AGX Xavier的功能;低功耗，高性能计算机，集成GPU，小到足以安装在纳米卫星上。我们将仔细研究对象检测网络，包括Single Shot MultiBox Detector（SSD）和基于区域的全卷积网络（R-FCN）模型，这些模型在DOTA上进行了预训练-DOTA是一种用于航空图像中目标检测的大规模数据集。性能从执行时间、内存消耗和准确性方面进行衡量，并与包含两个强大GPU的服务器的基线进行比较。结果表明，通过应用图像压缩技术，我们能够改善执行时间和内存消耗，实现一个完全可运行的数据集。无损压缩技术实现了大约10%的执行时间减少和大约3%的内存消耗减少，而对准确性没有影响。而有损压缩技术将执行时间提高了144%，存储器消耗减少了97%。然而，它对精度有很大的影响，取决于压缩比。因此，这些压缩技术的应用和比率可以根据特定任务所需的精度水平而不同。
2021-07-08 cs.CV cs.DC cs.LG
