Główne pojęcia
提案するモダリティ認識型トランスフォーマーは、テキストデータと数値時系列データを効果的に活用し、金融時系列の予測精度を大幅に向上させる。
Streszczenie
本研究では、金融時系列予測の課題に取り組むため、モダリティ認識型トランスフォーマー(MAT)を提案している。MATは、テキストデータと数値時系列データの両方を活用し、各モダリティの特徴に着目することで、より正確な金融時系列の予測を実現する。
具体的には以下の特徴を持つ:
- 特徴レベルの注意機構を導入し、各モダリティの中で最も関連性の高い特徴に注目する
- モダリティ内の注意機構(intra-modal MHA)とモダリティ間の注意機構(inter-modal MHA)を開発し、モダリティ内および cross-modalityの関係性を捉える
- デコーダにターゲットモーダル注意機構(target-modal MHA)を導入し、ターゲットの時系列とそれぞれのモダリティの関係性を発見する
提案手法は、FED声明書/ベージブックとアメリカの金利データを用いた実験で、既存手法を大きく上回る予測精度を示した。特に長期金利の予測において顕著な性能向上が見られた。
Statystyki
金利の変動は非線形かつ動的な性質を持つため、予測が困難である。
金融時系列の予測には、テキストデータと数値時系列データの両方を活用することが重要である。
Cytaty
"金融時系列の予測は重要な課題であり、特に過去の値だけでなく外部データソースの情報に依存する場合に困難になる。"
"提案するモダリティ認識型トランスフォーマーは、テキストデータと数値時系列データを効果的に活用し、金融時系列の予測精度を大幅に向上させる。"