本研究では、株式市場の動向予測のための増分学習の課題に取り組んでいる。株式市場は非定常環境にあり、データ分布が時間とともに変化するため、従来の増分学習手法では効果的な更新が困難となる。
本研究の主な貢献は以下の通りである:
DoubleAdaptと呼ばれる、データ適応とモデル適応の2つのアダプターを備えた、株式市場の動向予測のための増分学習フレームワークを提案した。データ適応では、特徴量変換と ラベル変換を行い、分布シフトの影響を軽減する。モデル適応では、各増分学習タスクの初期パラメータを最適化し、分布シフトに対する頑健性と適応性のバランスを取る。
各増分学習タスクをメタ学習タスクとして定式化し、データアダプターとモデルアダプターの2つのメタ学習器を最適化する二階層最適化問題を定義した。
実際の株式市場データを用いた実験により、DoubleAdaptが分布シフトに対して効果的に機能し、最先端の予測性能を達成し、高い効率性も示すことを実証した。
To Another Language
from source content
arxiv.org
Дополнительные вопросы