深度学习用于时空建模：动态交通流和高频交易
摘要：深度学习在构建非线性高维预测模型时应用了层次化的隐藏变量。我们的目标是开发和训练用于时空建模的深度学习架构。通过随机梯度下降（SGD）和随机失活（DO）进行参数正则化来训练深度架构，以最小化样本外预测均方误差。为了说明我们的方法，我们预测交通流数据中的急剧不连续性，并开发了一个分类规则来预测短期期货市场价格，该价格与订单簿深度相关。最后，我们对未来研究方向进行了总结。
作者：Matthew F. Dixon, Nicholas G. Polson, Vadim O. Sokolov
论文ID：1705.09851
分类：Machine Learning
分类简称：stat.ML
提交时间：2018-05-08