本文提出了一種名為IRFT的端到端機器學習方法,利用Transformer模型從高頻交易數據中自動挖掘公式化的風險因子,並在投資模擬中展現出優於傳統方法的盈利能力。
본 논문에서는 고빈도 주식 거래 데이터로부터 시장 변동성을 설명하는 공식적 위험 요인을 자동으로 생성하고 검증하는 IRFT(Intraday Risk Factor Transformer) 모델을 제안합니다.
This paper introduces IRFT, a novel Transformer-based model that automates the mining of high-frequency risk factors from stock data, outperforming existing methods in both accuracy and speed, and demonstrating significant potential for enhancing quantitative trading strategies.
GradCraft 是一種針對多任務推薦系統設計的動態梯度平衡方法,它透過依次調整梯度大小和方向,以實現更有效的任務間知識轉移和效能提升。
GradCraft는 멀티태스크 추천 시스템에서 그래디언트 크기와 방향을 동적으로 조정하여 작업 간의 간섭을 최소화하고 성능을 향상시키는 새로운 방법입니다.
GradCraft, a novel gradient balancing method, significantly improves multi-task recommendation performance by dynamically adjusting gradient magnitudes and resolving gradient direction conflicts globally.
본 논문에서는 트랜스포머 동역학 모델(TDM)의 뛰어난 예측 성능과 모델 프리 Q-트랜스포머(QT)의 효율성을 결합하여 실시간 계획의 계산 부담을 줄이는 새로운 모델 기반 알고리즘인 QT-TDM을 제안합니다.
本稿では、Transformer動態モデル(TDM)の高速な推論を実現するために、短期計画とQ-Transformerによる長期的な価値推定を組み合わせた、モデルベースの強化学習アルゴリズムであるQT-TDMを提案する。
QT-TDM, a novel model-based reinforcement learning algorithm, leverages the strengths of Transformer Dynamics Models (TDM) and Autoregressive Q-Learning to achieve superior performance and sample efficiency in real-time continuous control tasks, effectively addressing the limitations of slow inference speed often associated with TDMs.
Sim-CLIP 是一種新的無監督對抗性微調方法,可以增強 CLIP 視覺編碼器的穩健性,使其在面對對抗性攻擊時,仍能保留語義豐富性和特異性,從而提升視覺語言模型在各種下游任務中的可靠性和安全性。