条件时间序列预测与卷积神经网络
摘要：基于深度卷积WaveNet架构的方法用于条件时间序列预测。所提出的网络包含堆叠的扩张卷积，能够在预测时访问广泛的历史数据，ReLU激活函数和通过在不同时间序列上并行应用多个卷积滤波器来执行条件操作，使得数据能够快速处理并利用多变量时间序列之间的相关结构。我们测试并分析了卷积网络在无条件和条件下进行金融时间序列预测的性能，使用了S&P500指数、波动率指数、CBOE利率和几个汇率，并与著名的自回归模型和长短期记忆网络的性能进行了广泛比较。我们表明，卷积网络非常适合回归类问题，能够有效学习序列内部和序列之间的依赖关系，而无需过长的历史时间序列。它是一种时间高效和易于实现的替代方案，常常优于线性和循环模型。
作者：Anastasia Borovykh, Sander Bohte, Cornelis W. Oosterlee
论文ID：1703.04691
分类：Machine Learning
分类简称：stat.ML
提交时间：2018-09-18