본 연구는 장기 금융 시계열 예측을 위한 새로운 모델인 Enhanced LFTSformer를 제안한다. 이 모델은 다음과 같은 주요 혁신 기술을 포함한다:
VMD-MIC+FE 특징 엔지니어링: 변분 모드 분해(VMD), 최대 정보 계수(MIC) 및 특징 엔지니어링(FE) 기법을 통합하여 복잡하고 변동성이 큰 금융 데이터로부터 심층적인 특징을 포괄적으로 인식하고 추출할 수 있다.
DS 인코더 인포머 아키텍처: 기존 인포머 모델의 인코더 구조를 개선하여 스택형 인포머 구조와 분산 희소 주의 메커니즘을 도입함으로써 주의 블록 수를 줄이고 훈련 정확도와 속도를 향상시켰다.
GC 강화 Adam & 동적 손실 함수: 기울기 클리핑 강화 Adam 최적화 알고리즘과 동적 손실 함수를 도입하여 모델 성능을 최적화하고 데이터 패턴 변화에 더 동적으로 적응할 수 있게 하였다.
다양한 벤치마크 주식 시장 데이터에 대한 체계적인 실험을 통해 Enhanced LFTSformer가 기존 기계 학습 모델 및 다른 인포머 기반 아키텍처에 비해 예측 정확도, 적응성 및 일반성 면에서 우수한 성능을 보여줌을 입증하였다. 또한 핵심 영향 요인 및 뉴스의 식별과 정량화에 초점을 맞춰 모델의 예측 효과를 더욱 개선할 수 있는 잠재적인 발전 방향을 제시하였다.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Jianan Zhang... at arxiv.org 04-19-2024
https://arxiv.org/pdf/2310.01884.pdfDeeper Inquiries