即时预测网络
摘要：基于神经网络的金融预测压缩/补全方法的设计与开发。后者在广义上包括网格数值的补全、插值或异常值检测，在金融时间曲线或曲面的背景下进行（理论上可适用于更高维度）。我们提出了一种原始架构，适用于处理在可变网格节点上定义的数据（金融预测应用中最常见的情况，因此不适用于主成分分析或经典自编码器方法）。通过三个真实数据集的案例研究进行了说明。首先，我们介绍了我们在回购曲线数据上的方法（随着日历时间的推移，移动剩余期限）。其次，我们展示了我们的方法在股票衍生品曲面数据集上优于基本插值基准。我们还获得了令人满意的异常值检测和曲面补全性能。第三，我们将我们的方法与在常数到期/期限网格节点上重新定义的平价期权曲面上的主成分分析进行了基准测试。我们的方法表现出与（甚至更好的）主成分分析相当的性能，尽管主成分分析不适用于在移动到到期时间网格上定义的原始数据。
作者：Marc Chataigner, Stephane Crepey, and Jiang Pu
论文ID：2011.13687
分类：Computational Finance
分类简称：q-fin.CP
提交时间：2020-11-30